Quel est le prochain grand domaine du Coding sous l'IA ? Discutons des quatre décalages temporels dans le développement de l'IA

Auteur : qinbafrank

Au cours des deux dernières années, le récit d'application le plus réussi de l'industrie de l'IA est sans aucun doute le Coding.

Depuis les premiers compléments de code, jusqu'à la génération automatique de tests, la correction de bugs, la migration de bibliothèques de code, et aujourd'hui, avec la capacité de lire l'ensemble d'un projet, d'appeler un terminal, d'exécuter des tests, de modifier en continu et de soumettre du code via un Agent de Coding, l'IA a prouvé pour la première fois qu'elle n'est pas seulement un outil capable de discuter ou de générer du contenu, mais qu'elle peut entrer dans un environnement de production réel, accomplissant des tâches pour lesquelles les entreprises sont prêtes à payer, dont les résultats peuvent être vérifiés et la valeur quantifiée.

Mais le problème réside précisément ici.

L'Agent de Coding est déjà passé de l'"écart d'attente" à un consensus de marché. Le marché ne débat plus de la capacité de l'IA à écrire du code, mais plutôt de la quantité de développeurs qu'elle peut finalement couvrir, du nombre de travaux d'ingénierie logicielle qu'elle peut remplacer, et de l'échelle de revenus qu'elle peut générer.

Cela signifie que, bien que l'espace fondamental du Coding soit encore très vaste, le simple récit "l'IA peut écrire du code" devient de plus en plus difficile à soutenir pour l'expansion continue de la valorisation de toute la chaîne de l'industrie de l'IA.

Les véritables préoccupations du marché portent sur deux questions :

1. En dehors du Coding, existe-t-il un deuxième domaine d'application de l'IA suffisamment vaste ?

2. Et une question plus aiguë : si aucun nouveau domaine d'application ne prend le relais, comment les investissements continus dans les centres de données, les GPU, les réseaux et l'électricité, ainsi que l'expansion de la dette des entreprises, seront-ils soutenus par des revenus, des flux de trésorerie libres et une augmentation de la productivité ? L'IA peut-elle être rentable, ces énormes dépenses en capital peuvent-elles être récupérées, et le ROIC est-il satisfaisant ?

La deuxième question a déjà permis d'établir un modèle préliminaire pour le ROIC des fournisseurs de cloud lors de la saison des rapports financiers du deuxième trimestre. Le cœur du sujet reste la première question.

Cette question ne remet pas en cause l'utilité de l'IA.

Le véritable conflit est que le premier moteur de croissance est rapidement devenu un consensus, tandis que le deuxième moteur de croissance pourrait nécessiter plus de temps pour entrer dans les revenus, les bénéfices et les flux de trésorerie. C'est le "décalage temporel" le plus important dans les applications de l'IA aujourd'hui.

La prochaine phase de tarification doit prouver que l'IA peut non seulement transformer le développement logiciel, mais aussi prendre en charge des activités économiques plus larges.

I. Pourquoi le Coding est-il devenu la première application phare de l'IA ?

Le Coding n'est pas devenu le premier grand domaine de l'IA simplement parce que les programmeurs aiment essayer de nouveaux outils.

Il a pu émerger en premier parce que les tâches de code possédaient presque simultanément toutes les conditions nécessaires à la commercialisation de l'IA.

Tout d'abord, le code, les journaux, les API, la documentation et les messages d'erreur sont entièrement numérisés. L'IA n'a pas besoin de comprendre un monde physique complexe, ni d'attendre que les entreprises terminent des décennies de tri de données papier.

Ensuite, les résultats du code sont hautement vérifiables.

Une ligne de code peut-elle être compilée, les tests passent-ils, l'interface renvoie-t-elle correctement, la page fonctionne-t-elle, la performance a-t-elle diminué ? Les retours sont généralement rapides. Même si l'IA se trompe lors de sa première écriture, elle peut exécuter, observer, corriger, puis réexécuter, formant ainsi une boucle fermée.

En d'autres termes, le Coding possède naturellement ce que d'autres industries manquent souvent : les "tests unitaires".

Troisièmement, le processus de développement logiciel peut être décomposé en étapes relativement claires :

Lire la bibliothèque de code, comprendre les besoins, modifier les fichiers, exécuter des tests, analyser les erreurs, continuer à modifier, générer des enregistrements de soumission. Ce processus est naturellement adapté à l'exécution continue par un Agent.

Quatrièmement, le coût de la main-d'œuvre des programmeurs est élevé. Si l'IA peut économiser 10 à 20 % du temps de développement, les entreprises peuvent facilement calculer le ROI.

Cinquièmement, une partie correcte peut également créer de la valeur. L'IA n'a pas besoin de remplacer complètement les ingénieurs dès le départ ; tant qu'elle peut accomplir des tâches partielles telles que la génération de tests, la rédaction de SQL, l'explication de code, la modification frontale, la migration d'API, cela vaut déjà la peine d'être payé.

Enfin, les outils de Coding peuvent se diffuser de bas en haut. Les ingénieurs peuvent s'abonner, installer et utiliser sans que les entreprises aient à passer par de longs processus d'achat, de conformité, d'intégration de données et d'ajustements organisationnels.

Ainsi, le Coding est devenu la première application d'IA à réaliser simultanément une maturité produit, un budget clair, des résultats vérifiables, une utilisation fréquente et un cycle commercial fermé.

Les dépenses des entreprises liées aux applications montrent également que le Coding est actuellement la plus grande application d'IA au niveau départemental, mais l'échelle combinée des Copilotes, des assistants généraux, de l'IA sectorielle et de l'IA consommateur reste supérieure à celle du Coding. Par conséquent, on peut dire que le Coding est la charge de travail d'IA la plus mature sur le plan commercial, avec la plus forte intensité d'utilisation et la valeur la plus facilement quantifiable. Mais il est important de préciser que le coding n'est pas la somme de tous les besoins de l'IA.

II. Le marché cherche le "prochain Coding", mais il se peut qu'il ait posé la mauvaise question dès le départ

Beaucoup de gens imaginent que le prochain domaine sera un produit clair, à forte croissance, à grande échelle, qui pourra être rapidement identifié par le marché des capitaux, tout comme l'Agent de Coding.

Mais la structure du monde non-Coding est complètement différente de celle du développement logiciel.

Les bibliothèques de code, les IDE, le contrôle de version, les tests et les méthodes de déploiement utilisées par les programmeurs du monde entier présentent de fortes similitudes, ce qui permet de définir le Coding comme un marché relativement unifié.

Cependant, le travail non-Coding est hautement fragmenté.

Les banques ont besoin d'Agents pour le crédit, le KYC et la lutte contre le blanchiment d'argent ; les compagnies d'assurance ont besoin d'Agents pour la souscription, les réclamations et la lutte contre la fraude ; les hôpitaux ont besoin d'Agents pour les dossiers médicaux, le codage, la pré-autorisation et le tri des patients ; les entreprises manufacturières ont besoin d'Agents pour le contrôle qualité, les achats, la planification de la production et la maintenance des équipements ; les entreprises de vente au détail ont besoin d'Agents pour le service client, l'inventaire et le réapprovisionnement ; les départements financiers ont besoin d'Agents pour les factures, la réconciliation, la clôture et le recouvrement.

Si l'on considère chaque domaine séparément, chacun peut sembler moins concentré que le Coding.

Mais si l'on les additionne, cela correspond à l'ensemble des services, des systèmes de travail intellectuel, des opérations de back-office et des services professionnels, dont le budget de main-d'œuvre, le budget d'externalisation et le budget de transaction dépassent de loin celui du développement logiciel.

Ainsi, le deuxième moteur de croissance de l'IA ne se manifestera probablement pas par un produit qui devient soudainement "le deuxième Coding". Il est plus probable qu'il se traduise par des dizaines d'industries et des centaines de processus d'affaires entrant simultanément dans l'agentification, dépassant finalement le Coding en termes de volume total.

La prochaine phase de la révolution de l'IA pourrait être une révolution des processus se produisant de manière dispersée, plutôt qu'une seule application super puissante.

III. Quels scénarios sont les plus proches du "prochain Coding" ?

Pour évaluer si un scénario peut être rapidement transformé par l'IA, on peut utiliser un cadre simple :

Valeur commerciale de l'IA ≈ fréquence des tâches × coût de la main-d'œuvre × proportion d'automatisation × vérifiabilité × capacité d'exécution du système - coûts d'erreur, d'intégration et de gouvernance.

Selon ce critère, les scénarios les plus proches de la structure du Coding ne sont pas la stratégie, la créativité ou la gestion d'entreprise, mais ceux qui sont hautement numérisés, avec des SOP clairs, des indicateurs quantifiables, permettant une intervention humaine, et où l'IA peut réellement appeler le système pour exécuter des actions.

1. Agents de service client et vocaux : le scénario unique le plus proche du deuxième Coding

Le service client dispose d'une base de connaissances, de processus de service, d'authentification, de systèmes de tickets et de critères de succès clairs.

La valeur créée par un Agent de service client peut être directement évaluée par le taux de résolution au premier contact, le taux de transfert humain, le temps de traitement moyen, le taux d'appels répétés et la satisfaction client.

Avec les progrès des modèles vocaux, l'IA peut désormais non seulement répondre aux questions dans une fenêtre de chat, mais aussi intervenir dans des appels téléphoniques pour des rendez-vous, des remboursements, des modifications, des recouvrements, des filtrages de ventes, des services hôteliers, des accueils médicaux et des consultations d'assurance.

Mais la voix elle-même n'est pas un modèle commercial.

La véritable valeur ne réside pas dans la capacité de l'IA à parler comme un humain, mais dans sa capacité à interroger des commandes, à vérifier des identités, à modifier des systèmes, à initier des remboursements, à mettre à jour des CRM et à fermer des tickets.

Ce n'est qu'en accomplissant ces actions que l'IA passe d'assistant vocal à Agent d'affaires.

2. IT et sécurité réseau : la deuxième ligne principale au sein des départements techniques

L'IT et la sécurité, tout comme le Coding, disposent d'une grande quantité de données lisibles par machine :

journaux, alertes, fichiers de configuration, topologie réseau, informations sur les vulnérabilités, systèmes de permissions et manuels d'exploitation.

L'IA peut passer de l'interprétation des alertes à la localisation des pannes, à l'appel d'outils de diagnostic, à l'exécution de Runbooks, à la vérification de la récupération des services, à la génération de rapports d'incidents, et remettre les opérations à haut risque à l'approbation humaine.

Son plus grand obstacle n'est pas la capacité du modèle, mais la volonté des entreprises de confier des permissions système suffisamment élevées à l'Agent.

3. Finance, comptabilité et achats : un grand marché souvent sous-estimé

Les processus financiers sont généralement denses en documents, riches en règles, hautement répétitifs, et possèdent un mécanisme de vérification naturel.

La correspondance des montants, l'équilibre des prêts, la validité des permissions d'approbation, la cohérence des trois documents, et l'achèvement de la clôture peuvent tous être vérifiés.

Ainsi, le traitement des factures, les comptes créditeurs, les comptes débiteurs, la vérification des dépenses, la réconciliation bancaire, la recherche d'approvisionnement, la clôture de fin de mois, la prévision des flux de trésorerie et les documents d'audit sont tous très adaptés à l'agentification.

Ces applications ne deviendront peut-être pas une application célèbre familière aux consommateurs, mais elles pourraient absorber une grande quantité de centres de services partagés, d'externalisation financière et de travaux d'opérations de back-office.

4. Administration médicale, juridique, assurance et conformité

Ces domaines ont des coûts de main-d'œuvre élevés, sont denses en textes et documents, et leurs processus sont relativement standardisés.

L'IA médicale est souvent la plus mature non pas dans le diagnostic direct, mais dans la gestion des documents médicaux, le codage des frais, la pré-autorisation, la prise de rendez-vous, le tri des patients et le traitement des documents de réclamation.

L'IA juridique entre d'abord dans la recherche, la révision de contrats, la diligence raisonnable, l'organisation de documents de litige et les rapports réglementaires.

L'assurance est naturellement adaptée à la lecture de documents, à la souscription, aux réclamations, à la lutte contre la fraude et au recouvrement.

Leur limitation commune est le coût élevé des erreurs, donc pendant longtemps, elles conserveront la révision et la signature finale par des professionnels.

5. Chaîne d'approvisionnement et fabrication : une valeur à long terme énorme, mais un rythme de mise en œuvre plus lent

La prévision de la demande, le réapprovisionnement des stocks, les achats, la planification de la production, le contrôle qualité, la maintenance des équipements et la logistique correspondent à une valeur économique qui peut largement dépasser celle des simples aides de bureau.

Mais ces processus traversent plusieurs départements et anciens systèmes, certains résultats se produisent dans le monde physique, et le cycle de retour peut prendre des semaines ou des mois.

Ainsi, la chaîne d'approvisionnement et la fabrication pourraient être l'un des plus grands marchés de l'IA à long terme, mais elles ne se productiseront pas et ne se diffuseront pas aussi rapidement que le Coding.

Donc, si l'on doit donner une réponse : le service client et les Agents vocaux sont les plus proches du "prochain Coding" ; mais ce qui pourra réellement dépasser le Coding en volume total ne sera pas un seul scénario de service client, mais la somme des flux de travail dans le service client, la finance, l'IT, la santé, le droit, l'assurance, les achats et la chaîne d'approvisionnement.

IV. Les trois chiffres de Microsoft illustrent parfaitement les trois phases de l'expansion non-Coding

À ce stade, nous devons examiner les rapports financiers. Les trois ensembles de données divulgués par Microsoft pour le quatrième trimestre de l'exercice 2026 fournissent une "radiographie" très précieuse pour comprendre où en est l'IA d'entreprise :

1. Le nombre de clients de Foundry atteint 100 000, avec des revenus en hausse de plus de 100 % d'une année sur l'autre ;

2. Le nombre de sièges payants de Microsoft 365 Copilot dépasse 30 millions ;

3. Près de 40 millions d'Agents ont été enregistrés depuis le lancement d'Agent 365.

Ces trois chiffres soutiennent l'idée que "l'IA s'étend du Coding au non-Coding", mais la force de la preuve de chacun est complètement différente.

De plus, ces trois ensembles de chiffres ne peuvent pas être additionnés.

Une même grande entreprise peut être à la fois un client de Foundry, acheter des dizaines de milliers de sièges de M365 Copilot, et enregistrer des milliers d'Agents dans Agent 365. En essence, c'est la même entreprise observée à plusieurs reprises sur les trois niveaux de "développement, utilisation, gouvernance".

1. Foundry prouve que les entreprises sont en train de "construire".

Foundry n'est pas une application terminale, mais une plateforme permettant aux entreprises de construire, déployer et exécuter des modèles, des applications et des Agents.

Elle sert souvent les équipes IT des entreprises, les équipes de données, les départements de plateformes d'IA, les entreprises de logiciels, les intégrateurs de systèmes et les entreprises nées de l'IA.

Les entreprises peuvent réaliser le choix de modèles, l'appel d'inférence, le RAG, la connexion de données d'entreprise, l'orchestration d'Agents, l'appel d'outils, l'évaluation, la surveillance, la sécurité et la gouvernance sur Foundry.

Ainsi, 100 000 clients et un doublement des revenus prouvent que :

Les entreprises passent de l'utilisation de chatbots génériques à la construction de leurs propres applications sectorielles et agents d'affaires.

Cependant, Foundry prend en charge à la fois des scénarios de codage et non-codage, sans révéler combien de clients sont en phase d'expérimentation ou combien sont déjà en production, et n'a pas non plus divulgué l'échelle absolue des revenus et la structure des scénarios.

Ainsi, il s'agit d'une preuve intermédiaire de l'expansion des pipelines d'applications non-codage, et non d'une preuve suffisante que les revenus non-codage ont déjà explosé.

2. M365 Copilot prouve que : les employés non-codage sont déjà en "utilisation"

30 millions ne représentent pas 30 millions d'entreprises, mais 30 millions de postes d'employés d'entreprises.

Ces utilisateurs incluent non seulement des développeurs, mais surtout des employés des départements finance, vente, RH, juridique, médecins, consultants, employés de banque, gestionnaires d'entreprises manufacturières et personnel administratif ordinaire.

Ils résument des e-mails dans Outlook, génèrent des comptes rendus de réunions dans Teams, rédigent des documents dans Word, créent des présentations dans PowerPoint, analysent des données dans Excel et recherchent des informations dans la base de connaissances de l'entreprise.

Cela signifie que les entreprises n'achètent plus uniquement de l'IA pour les programmeurs, mais pour un grand nombre de travailleurs de la connaissance ordinaires.

Parmi les trois ensembles de données, les 30 millions de postes payants de M365 Copilot sont la preuve la plus directe que "l'IA s'étend du codage au non-codage".

Mais cela prouve d'abord l'adoption et le paiement, ce qui ne signifie pas que les entreprises ont déjà terminé la restructuration des processus.

Un employé utilisant Copilot pour résumer des réunions, modifier des e-mails et rechercher des informations indique que l'IA est entrée dans le travail, mais cela ne signifie pas que l'entreprise a réduit son personnel, diminué ses SG&A ou amélioré son flux de trésorerie libre.

3. Agent 365 prouve que : les entreprises se préparent à "gérer"

Agent 365 ressemble davantage à un plan de contrôle des identités, des autorisations, de la sécurité et de l'audit des agents d'entreprise.

Il est responsable de la découverte et de l'enregistrement des agents, de la gestion des données auxquelles les agents peuvent accéder, des outils qu'ils peuvent appeler, des actions qu'ils peuvent exécuter, et du suivi du cycle de vie et des enregistrements de conformité des agents.

Ainsi, près de 40 millions d'agents enregistrés ne signifient pas :

• 40 millions d'agents travaillant chaque jour ;
• 40 millions d'unités payantes indépendantes ;
• 40 millions d'agents consommant continuellement des tokens ;
• 40 millions d'agents déjà en production ;
• 40 millions d'agents générant des revenus.

Cela ressemble davantage à un inventaire des actifs d'agents au sein de l'entreprise.

Cela peut inclure des agents de test, des agents personnels, des agents de département, des agents désactivés, des agents de synchronisation automatique et des "agents fantômes" découverts par le système.

Ce chiffre indique vraiment que le nombre et la provenance des agents internes à l'entreprise sont devenus suffisamment complexes pour nécessiter une gouvernance unifiée des identités, des autorisations, de la sécurité et de l'audit.

C'est un indicateur avancé important, mais ce n'est pas un indicateur de revenus, d'activité ou de productivité.

Ainsi, l'explication la plus raisonnable des trois ensembles de données est : Foundry prouve que les entreprises construisent, M365 Copilot prouve que les employés utilisent, et Agent 365 prouve que les entreprises commencent à gérer.

Parmi ceux-ci, M365 Copilot est une preuve directe, Foundry est une preuve intermédiaire soutenue par des revenus, et Agent 365 est un indicateur avancé de l'architecture et de la gouvernance.

Cinq, où en est l'IA d'entreprise actuellement ?

On peut diviser la diffusion des applications d'IA en cinq étapes.

Première étape : Agent de codage

L'IA entre dans l'ingénierie logicielle, complétant la complétion, les tests, les corrections, la restructuration et le déploiement.

Cette étape est déjà passée de l'expérimentation à la production à grande échelle, et c'est actuellement la charge de travail d'IA d'entreprise la plus mature.

Deuxième étape : Copilot de travail de connaissance horizontal

L'IA entre dans les e-mails, les réunions, les documents, les tableaux, la recherche d'entreprise et la génération de contenu.

Les 30 millions de postes payants de M365 Copilot prouvent principalement que cette étape est entrée dans l'achat à grande échelle.

Troisième étape : Agent de niveau départemental

L'IA commence à entrer dans les départements de service client, de vente, de finance, d'achats, de RH, de juridique, d'exploitation IT et de sécurité.

Le changement central à cette étape est que l'IA ne se contente pas de générer du contenu, mais commence à appeler des données d'entreprise et des outils commerciaux.

La croissance de Foundry, la consommation de Dynamics et de nombreux cas sectoriels montrent que cette étape est en train de se former.

Quatrième étape : Processus d'affaires de bout en bout

L'agent peut interroger des données, appeler des systèmes, exécuter des approbations, initier des remboursements, générer des commandes, mettre à jour des enregistrements et traiter des exceptions.

Par exemple, un agent de remboursement ne se contente pas de dire au service client "le client remplit les conditions de remboursement", mais complète la vérification d'identité, la recherche de commande, le jugement des politiques, le remboursement, la mise à jour CRM et la notification au client.

Actuellement, seules quelques entreprises leaders et certains processus standardisés ont atteint cette étape.

Cinquième étape : Profits d'entreprise et productivité macroéconomique

La croissance des revenus des entreprises commence à dépasser de manière durable la croissance des employés, le taux SG&A diminue, le coût unitaire des affaires diminue, le cycle de recouvrement se raccourcit et la conversion de trésorerie s'améliore.

Ce n'est qu'à ce moment-là que ces changements entreront dans la productivité totale des facteurs, le PIB et les données macroéconomiques.

Actuellement, l'IA d'entreprise est déjà largement entrée dans la deuxième étape, avançant vers la troisième étape, avec quelques clients leaders entrant dans la quatrième étape, mais la cinquième étape manque encore de preuves larges, continues et vérifiables.

Certains cas révélés par Microsoft montrent déjà la direction : le traitement des pièces jointes de contrat a été réduit de 30 à 45 minutes à environ 3 minutes, le processus de validation RH a été réduit de trois jours à 120 secondes, le revenu moyen par personne du groupe pilote de vente a augmenté, le cycle de transaction s'est raccourci, et la consommation de service client a rapidement augmenté.

Mais ces cas restent des exemples sélectionnés et ne peuvent pas être directement interprétés comme l'effet moyen pour toutes les entreprises.

La distinction la plus cruciale reste :

L'utilisation de l'IA dans les processus d'affaires ne signifie pas que l'IA a déjà complété le processus d'affaires ; le temps économisé par les employés ne signifie pas que l'entreprise a déjà augmenté ses bénéfices.

Six, l'expansion non-codage a déjà eu lieu, mais elle est encore à un stade "large mais peu profond"

D'après les données d'utilisation réelles des fournisseurs de modèles, les applications d'IA s'étendent effectivement du codage à d'autres fonctions.

Les données d'Anthropic montrent que les tâches liées à l'informatique et aux mathématiques représentent encore environ 35 % des dialogues de Claude.ai, le codage restant la plus grande catégorie de tâches unique ; mais la part des dix tâches les plus courantes a diminué de 24 % en novembre 2025 à 19 % en février 2026, indiquant que les scénarios d'utilisation se diversifient.

Les données d'entreprise d'OpenAI montrent également que l'écriture reste l'utilisation la plus courante de ChatGPT ; dans l'utilisation de type Agent, le codage et les opérations système représentent près de 75 %. Pendant ce temps, dans le recrutement, les ventes, les politiques et la communication d'entreprise, environ un quart à un tiers des messages d'Agent impliquent déjà des opérations système ou Agent.

Depuis février 2026, le nombre d'utilisateurs hebdomadaires de Codex dans les départements juridiques des clients d'OpenAI a augmenté de 108 fois, les ventes et le recrutement ont respectivement augmenté de 41 fois, le marketing a augmenté de 26 fois, tandis que le département d'ingénierie a augmenté d'environ 5 fois. Étant donné que les départements non techniques ont un point de départ plus bas, ces multiples ne peuvent pas être directement comparés aux départements d'ingénierie, mais la direction est très claire : l'utilisation de type Agent commence à sortir du département technique.

Cependant, des données plus représentatives du Bureau du recensement des États-Unis nous rappellent que l'IA d'entreprise n'a pas encore achevé une pénétration profonde.

À la fin de 2025 et au début de 2026, environ 18 % des entreprises américaines utilisaient l'IA dans au moins une fonction commerciale, ce qui correspond à environ 32 % en fonction du nombre d'employés. Parmi les entreprises qui adoptent l'IA, 57 % ne déploient l'IA que dans trois fonctions ou moins, 65 % ne l'utilisent que pour trois tâches ou moins ; 66 % des entreprises n'utilisent encore l'IA que pour renforcer les employés, et seulement environ 2 % des entreprises rapportent une réduction d'emploi due à l'IA.

En mettant ces ensembles de données ensemble, on peut tirer une conclusion très précise :

L'IA est entrée dans les entreprises, mais elle n'est pas encore entrée dans la structure de coûts des entreprises de manière généralisée.

Elle est passée de l'expérimentation à l'achat, et est également passée des départements techniques aux ventes, aux finances, à la santé et à l'administration, mais la plupart des entreprises restent au stade d'assistant personnel et de Copilot local.

Les flux de travail de bout en bout qui modifient réellement le compte de résultat ne se produisent que dans certaines entreprises leaders. Cela a conduit à un espace total de marché non-codage très vaste, mais avec un degré de standardisation des produits relativement faible et une vitesse d'expansion plus lente. Ainsi, les scénarios non-codage peuvent présenter un état apparemment contradictoire : le marché total est bien plus grand que le codage, mais la courbe de croissance de n'importe quelle entreprise ne sera pas nécessairement aussi régulière que celle des produits de codage.

Sept, la plus grande opportunité à venir : Agent d'action personnel

Le domaine le plus susceptible de créer une valeur de plateforme au niveau des consommateurs n'est pas simplement le chat, mais l'Agent d'Action Personnel, c'est-à-dire un agent d'action personnel capable de réellement accomplir des tâches pour l'utilisateur.

Il pourrait lire des e-mails, identifier des tâches à faire, organiser des emplois du temps, comparer des vols et des hôtels, prendre des rendez-vous chez le médecin, gérer des factures, traiter des retours, acheter des produits, planifier des voyages, remplir des formulaires et coordonner le temps des membres de la famille.

Actuellement, la plupart des IA sont encore à l'étape "vous dire comment faire".

La véritable prochaine étape est : l'IA connaît vos préférences, possède des comptes et des outils autorisés, et peut accomplir des tâches pour vous.

Le modèle commercial potentiel de ce scénario est également plus riche que celui d'un abonnement ordinaire : commissions de transaction, revenus de paiement, publicité, frais de recommandation, revenus de services financiers et frais d'adhésion.

Mais l'Agent d'Action personnel fait face à un seuil de confiance plus élevé que le codage. La volonté des utilisateurs de laisser l'IA lire des e-mails, accéder à des comptes bancaires, utiliser des cartes de crédit, traiter des informations médicales ou effectuer des transactions en leur nom déterminera la vitesse d'expansion de ce marché.

Ainsi, l'Agent d'Action personnel pourrait être la plus grande opportunité à long terme pour le secteur B2C, mais cela ne signifie pas que ce sera le scénario le plus facile à réaliser à grande échelle à court terme.

Huit, les scénarios futurs les plus importants : découvertes scientifiques par IA

Les découvertes scientifiques par IA pourraient être l'une des percées les plus importantes et à long terme de la révolution de l'IA. Le codage résout la question "comment produire des logiciels plus efficacement" ; les agents d'entreprise résolvent la question "comment accomplir les affaires existantes plus efficacement" ; les découvertes scientifiques par IA tentent de résoudre la question : "comment produire de nouvelles connaissances, de nouvelles technologies et de nouvelles possibilités plus efficacement". Ce n'est pas une application d'IA au sens ordinaire, mais une intégration de l'IA dans la fonction de production même du progrès technologique.

Cette semaine, un cas a été présenté : le vaccin personnalisé à ARNm contre le cancer intismeran autogene (anciennement connu sous le nom de mRNA-4157 ou V940), développé conjointement par Moderna et Merck, a obtenu des résultats positifs dans un essai de phase III pour le traitement adjuvant du mélanome. L'IA a joué un rôle significatif dans ce processus, principalement dans le choix des nouveaux antigènes et la planification de la fabrication. Moderna a clairement indiqué dans son blog officiel que c'était "un témoignage du pouvoir de l'IA", soulignant que l'IA a aidé à réaliser rapidité et précision dans la complexité de "un patient, un médicament". Sans ces outils de calcul, le choix à grande échelle et rapide de nouveaux antigènes hautement immunogènes serait presque impossible, l'IA étant ici la technologie habilitante centrale.

Cela prouve que la prédiction de nouveaux antigènes personnalisés alimentée par l'IA/ML + la plateforme ARNm peut réaliser des bénéfices cliniques significatifs dans des essais cliniques randomisés de phase III pour des tumeurs solides à haut risque, dépassant pour la première fois les traitements standards existants (Keytruda en monothérapie). Cela valide la faisabilité du chemin "biologie computationnelle + immunothérapie précise", en particulier dans les tumeurs à forte charge mutationnelle.

Les découvertes scientifiques par IA utilisent l'intelligence pour produire de nouvelles connaissances, et ces nouvelles connaissances se transformeront ensuite en : nouveaux médicaments, nouveaux matériaux, nouvelles énergies, nouvelles puces, nouveaux robots, nouveaux dispositifs quantiques, nouvelles méthodes de production industrielle, et leur impact est exponentiel. Le chemin à long terme le plus intéressant est :

L'IA génère des hypothèses scientifiques

→ Simulation et filtrage computationnels

→ Validation automatisée en laboratoire

→ Formation de nouveaux médicaments et nouveaux matériaux

→ De nouvelles industries génèrent davantage de données, de puissance de calcul et de besoins en recherche scientifique.

Cela pourrait faire passer l'IA d'un "outil d'amélioration de l'efficacité économique existante" à une technologie qui accélère le progrès technologique de l'ensemble de la société.

Bien sûr, il est nécessaire de distinguer deux questions :

D'un point de vue civilisationnel et de la valeur économique à long terme, les découvertes scientifiques en IA pourraient être plus importantes que la prochaine application grand public, voire que les agents de flux de travail d'entreprise ;

En termes de revenus, de flux de trésorerie libre et de capacité d'absorption des dépenses en capital (CapEx) de l'IA au cours des prochaines années, cela ne se traduira pas nécessairement plus rapidement que les agents de service client, les copilotes d'entreprise et le codage.

IX. L'IA existe selon quatre horloges complètement différentes

Le décalage temporel des applications d'IA provient de la vitesse de fonctionnement de quatre horloges complètement différentes.

La première horloge : l'horloge des dépenses en capital

Cette horloge démarre le plus rapidement. Les GPU, les centres de données, l'électricité, le réseau, les terrains et les installations de refroidissement doivent être construits à l'avance. Si les fournisseurs de cloud attendent que la demande soit complètement confirmée avant d'investir, il se peut qu'il soit déjà trop tard pour obtenir la capacité et les clients. Nous en avons déjà discuté ici https://x.com/qinbafrank/status/2086749504129372432?s=20

Ainsi, les dépenses en capital, le financement, les intérêts, les engagements de location et l'amortissement se produisent souvent en premier.

Sur le plan analytique, cette phase peut être comprise comme immédiate jusqu'à 18 mois, mais les cycles de projet spécifiques varient considérablement.

La deuxième horloge : l'horloge des revenus produits

La puissance de calcul cloud, les API de modèles, les agents de codage et les copilotes généraux peuvent être facturés assez rapidement, généralement quelques trimestres après l'investissement en capital. Cette phase peut nécessiter environ 6 à 24 mois. Cela concerne principalement le décalage temporel entre les fournisseurs de modèles et les fournisseurs de cloud, comme nous l'avons discuté précédemment ici https://x.com/qinbafrank/status/2081226811514753045 : "L'argent est d'abord dépensé (les dépenses en capital sont engagées), la capacité est mise en ligne ensuite, les commandes se transforment ensuite en revenus, et les bénéfices et les flux de trésorerie libre sont finalement réalisés", c'est-à-dire dépenser d'abord puis évaluer l'efficacité et la rapidité de la rentabilité.

La troisième horloge : l'horloge des bénéfices des flux de travail d'entreprise

Pour que l'IA entre réellement dans le compte de résultat, les entreprises doivent réaliser la gouvernance des données, l'ouverture des autorisations, l'intégration des systèmes, la restructuration des processus, la formation du personnel et les ajustements organisationnels.

Le temps économisé doit également être converti en moins de recrutements, moins d'externalisation, une augmentation du volume d'affaires, une réduction des délais de livraison, une augmentation des taux de conversion ou une diminution des pertes dues aux erreurs.

Ce processus peut prendre de 18 à 48 mois, et dans des secteurs complexes, cela peut prendre encore plus de temps.

La quatrième horloge : l'horloge de la productivité macroéconomique

Ce n'est que lorsque l'IA se diffuse dans un nombre suffisant d'entreprises, de flux de travail et de secteurs, et que la restructuration organisationnelle et du capital est achevée, que sa contribution peut apparaître de manière significative dans la productivité totale des facteurs et les données du PIB.

La productivité du travail dans le secteur non agricole américain a augmenté de 2,2 % d'une année sur l'autre au deuxième trimestre, tandis que le coût unitaire du travail a augmenté de 1,4 % d'une année sur l'autre. C'est un phénomène positif, mais la productivité du travail n'est pas équivalente à la productivité totale des facteurs, et on ne peut pas attribuer toute la croissance actuelle de la productivité à l'IA. Ce processus est généralement mesuré en années, et peut nécessiter de 3 à 7 ans, voire plus.

Ces délais ne sont pas des prévisions précises, mais plutôt un cadre pour comprendre le rythme de l'industrie.

Le plus important est que la patience des marchés de capitaux, des marchés obligataires et des équipes de direction des entreprises est généralement plus courte que le temps nécessaire pour la restructuration organisationnelle et la réalisation de la productivité macroéconomique.

C'est la source la plus susceptible de fluctuations dans le cycle du capital de l'IA.

X. Le véritable risque est le décalage de durée entre les dépenses en capital et les flux de trésorerie terminal

Aujourd'hui, la demande d'IA n'est pas fictive : les revenus du cloud, les appels de modèles, l'utilisation de la codification et les achats de copilotes sont en augmentation. Mais la croissance de la demande et la consommation de capital peuvent coexister.

Selon les données citées pour l'exercice 2026, les activités cloud de Google connaissent une forte croissance, mais les dépenses en capital par trimestre ont déjà dépassé les flux de trésorerie d'exploitation, et les flux de trésorerie libre sont devenus négatifs ; AWS d'Amazon maintient une forte croissance, l'activité IA génère des revenus réels, mais au cours des douze derniers mois, les flux de trésorerie libre ont également été clairement comprimés par les investissements dans les équipements d'IA ; les flux de trésorerie d'exploitation et la qualité des commandes commerciales de Microsoft sont relativement plus solides, mais les dépenses en capital par trimestre restent bien supérieures aux flux de trésorerie libre ; Meta continue de subventionner l'IA grâce à ses activités publicitaires, mais le tampon de flux de trésorerie libre s'est également considérablement rétréci.

Les cycles statistiques et les critères de ces entreprises ne sont pas entièrement cohérents, et il n'est pas possible de les comparer mécaniquement, mais la direction est très cohérente : les revenus de l'IA augmentent, mais l'intensité du capital de l'IA augmente encore plus rapidement.

Ainsi, ce que le marché doit vraiment confirmer, ce n'est pas si l'IA génère des revenus, mais :

Quand les marges brutes incrémentales de l'IA, l'augmentation des revenus des activités existantes et les économies de coûts pourront-elles durablement dépasser les coûts d'amortissement, d'énergie, d'intérêts, de location et de remplacement d'équipements ?

Plus profondément, le premier cycle de financement de l'industrie de l'IA est principalement :

Financement des entreprises de modèles

→ Achat de puissance de calcul cloud et de GPU

→ Croissance des revenus des fournisseurs de cloud

→ Les fournisseurs de cloud continuent de construire des centres de données

→ Expansion des entreprises de puces, de communication optique, d'électricité et de centres de données

→ L'ensemble de la chaîne d'approvisionnement continue de se financer.

Ce cycle peut durer longtemps, mais une partie considérable des revenus provient encore des dépenses financées par le marché des capitaux, et non des flux de trésorerie d'exploitation générés par les entreprises traditionnelles et les consommateurs.

Ainsi, la qualité de la demande d'IA peut être divisée en trois niveaux.

Le premier niveau est constitué des entreprises de modèles, des fournisseurs de cloud IA et des opérateurs de centres de données qui s'étendent grâce aux capitaux propres, à la dette, aux locations et au financement de projets.

Le deuxième niveau est constitué de la demande terminale des secteurs technologiques tels que la codification, les API de modèles, l'optimisation publicitaire, la recherche et les recommandations.

Le troisième niveau est constitué des secteurs non technologiques tels que les banques, les assurances, la santé, la fabrication, le commerce de détail, la logistique, la finance et le service client, qui achètent de l'IA avec leurs propres flux de trésorerie d'exploitation et obtiennent des retours d'expérience à partir de processus d'affaires réels.

Ce n'est que lorsque le troisième niveau démarre à grande échelle que le cycle du capital de l'IA se transforme vraiment d'une "expansion de l'offre poussée par le marché des capitaux" en "demande terminale créée par l'activité de production de l'ensemble de l'industrie."

C'est pourquoi les scénarios non liés à la codification sont si importants.

Cela signifie non seulement une augmentation des revenus de l'IA, mais aussi que la source de financement de la demande d'IA commence à s'étendre du financement des entreprises de modèles et des dépenses en capital des entreprises technologiques à l'ensemble du budget opérationnel du système économique.

XI. L'absence d'un "deuxième codage" clair ne signifie pas que l'IA est inefficace

L'IA, en tant que technologie à but général, n'a pas nécessairement besoin de s'appuyer sur une seule application pour se commercialiser.

Les ordinateurs personnels n'ont pas changé le monde grâce à un seul logiciel, Internet ne s'est pas construit uniquement sur la recherche, et le cloud computing ne sert pas qu'une seule activité.

La valeur ultime de l'IA pourrait ne pas être de créer une application super isolée, mais de devenir progressivement la couche d'exécution fondamentale de tous les logiciels, données, processus et transactions.

Il y a trois changements qui sont facilement négligés.

Premièrement, le budget correspondant au non-codage est beaucoup plus important.

Le codage touche principalement les ingénieurs logiciels et le budget informatique, tandis que les agents non-codants, une fois qu'ils commencent à réaliser des affaires réelles, peuvent entrer dans : le budget des logiciels d'entreprise, le budget des coûts de main-d'œuvre, le budget des BPO et de l'externalisation, le budget de conseil et de services professionnels, le budget de vente et de marketing, le budget des pertes de sinistres et de fraude, le budget des transactions et des commissions.

Cela poussera les modèles commerciaux à passer d'une facturation par siège à une facturation par utilisation, par tâche et par résultat.

La logique de facturation par siège consiste à fournir un outil à un employé, tandis que la logique de facturation par résultat signifie que l'IA a déjà accompli le travail. Les deux marchés sont complètement différents en termes d'échelle.

Deuxièmement, le Vibe Coding devient la technologie de base pour les flux de travail non codants.

À l'avenir, de nombreux employés non techniques ne considéreront pas qu'ils "écrivent du code", mais généreront plutôt des outils de rapprochement financier, des tableaux de bord de vente, des systèmes d'alerte d'inventaire, des pages d'approbation internes, des programmes de nettoyage de données clients, des rapports automatiques, des processus de vérification de contrats et des agents dédiés aux départements.

Auparavant, ces processus de longue traîne, en raison de leur taille trop petite et de leurs besoins trop spécifiques, n'étaient pas jugés dignes d'un achat SaaS ou d'une attente de développement informatique, et devaient s'appuyer à long terme sur Excel, les e-mails et les opérations manuelles.

Après que les agents de codage aient réduit le coût des logiciels personnalisés, de nombreux processus non codants ont pour la première fois les conditions économiques d'être informatisés et agentifiés.

Ainsi, ce qui est plus probable à l'avenir, c'est que le codage se cache progressivement dans tous les processus d'affaires non codants.

Troisièmement, la réponse du côté consommateur pourrait être l'agent d'action personnel.

Dans le domaine B2C, les consommateurs ne paient généralement pas pour "économiser des coûts de main-d'œuvre". La véritable opportunité de plateforme pourrait être un agent d'action personnel ayant une mémoire à long terme, des autorisations de compte et des capacités de transaction. Il peut lire des e-mails, gérer des emplois du temps, comparer des vols et des hôtels, traiter des retours, prendre des rendez-vous médicaux, gérer des factures, acheter des produits et coordonner des affaires familiales.

La prochaine compétition dans l'IA pour les consommateurs se concentrera sur qui peut obtenir la confiance des utilisateurs, les autorisations de compte et les points d'entrée de transaction, et vraiment mener à bien les tâches. Bien sûr, du point de vue du soutien à l'investissement actuel dans l'infrastructure de l'IA, les agents de flux de travail B2B restent plus critiques que les applications de consommation uniques, car la demande des entreprises est plus stable, le budget est plus important et il est plus facile de former une consommation continue de raisonnement.

XII. Le décalage temporel ne signifie pas une erreur logique, mais peut suffire à provoquer des cycles d'évaluation et de crédit

L'avenir peut être grossièrement divisé en trois voies.

1. Prise de relais rapide

Le service client, la finance, l'administration médicale, l'exploitation informatique, le règlement des sinistres d'assurance et la conformité juridique entreront rapidement dans l'environnement de production au cours des prochaines années. La consommation d'agents non codants s'accélérera, les entreprises passeront de la facturation par siège à la facturation par utilisation et par résultat, et la demande d'IA se diffusera davantage dans les secteurs traditionnels.

La croissance des revenus des entreprises commencera à dépasser la croissance des employés et des coûts, les flux de trésorerie libre des fournisseurs de cloud atteindront un creux, et le retour sur capital de l'IA sera confirmé.

Dans ce scénario, les dépenses en capital actuelles peuvent généralement être absorbées par la demande future, et le marché se déplacera de l'amont matériel vers les plateformes, les logiciels et les utilisateurs d'IA.

2. Scénario de référence : direction correcte, mais fluctuations intermédiaires

La demande non codante continue de croître, mais le déploiement des entreprises, l'intégration des systèmes et la restructuration organisationnelle nécessitent de deux à quatre ans.

Le codage continue de croître, mais ralentit progressivement ; le non-codage connaît une forte croissance à partir d'une base basse, mais n'est temporairement pas suffisant pour prendre complètement le relais ; pendant ce temps, les dépenses en capital, l'amortissement et les intérêts continuent d'augmenter. Le marché remettra périodiquement en question le taux de retour de l'IA, entraînant une compression de l'évaluation des entreprises à forte intensité de capital, telles que les semi-conducteurs et les centres de données.

Ensuite, chaque fois que les flux de travail d'entreprise, l'utilisation et les données de productivité s'améliorent, les actifs d'IA connaîtront à nouveau une hausse. Cela pourrait être le chemin le plus réaliste : la logique à long terme n'est pas détruite, mais la patience du marché des capitaux est plus courte que le cycle de transformation organisationnelle des entreprises.

Ainsi, le marché de l'IA n'est pas nécessairement une ligne droite d'augmentation continue, mais est plus susceptible de connaître des expériences répétées de :

Expansion des dépenses en capital

→ Doute sur le ROI

→ Amélioration des données de demande

→ Nouvelle expansion

→ Nouvelle attente de réalisation des bénéfices.

3. Prise de relais lente, voire liquidation de capital

Si l'amélioration des capacités des modèles ralentit, si les tâches non codantes nécessitent une supervision humaine importante à long terme, si les entreprises ne souhaitent pas laisser les agents accéder aux systèmes centraux, et si la concurrence sur les prix des modèles s'intensifie et que les revenus unitaires diminuent, le retour sur capital se détériorera.

Même si l'IA a toujours une immense valeur à long terme, un cycle de dépenses en capital pourrait ne pas obtenir de retour raisonnable.

La direction technologique est correcte, mais cela ne signifie pas que chaque investissement, chaque entreprise et chaque structure de financement réussira.

Je tends à penser que l'avenir se situe entre le scénario de référence et la prise de relais rapide.

La clé n'est pas de générer un grand nombre de réponses, mais de savoir combien d'outils ont été utilisés, combien d'enregistrements ERP et CRM ont été écrits, combien de remboursements ont été initiés, combien de factures ont été traitées et combien de tickets ont été fermés.

3. Taux d'achèvement autonome et taux de transfert humain

Combien de tâches peuvent être terminées sans intervention humaine ? La proportion de cas exceptionnels diminue-t-elle de manière continue ?

C'est un indicateur clé pour déterminer si l'Agent peut passer d'un assistant à une main-d'œuvre.

4. Passer des revenus de sièges à des revenus basés sur la consommation et les résultats

L'expansion des sièges de M365 Copilot reste importante, mais ce qui a plus de valeur, c'est la croissance de l'utilisation dans les scénarios de service client, de finance, de chaîne d'approvisionnement et de santé, ainsi que les revenus basés sur les résultats traités.

5. Taille absolue des revenus de Foundry et structure des clients

Il ne suffit pas de regarder le taux de croissance, mais aussi de voir combien de revenus proviennent de charges de production non liées à la programmation, combien proviennent d'un petit nombre de grands clients, et combien de clients passent de la preuve de concept à la production continue.

6. Les entreprises récoltent-elles vraiment la productivité ?

Il faut observer : la croissance des revenus est-elle plus rapide que la croissance des employés, le recrutement de personnel de soutien ralentit-il, les coûts d'externalisation diminuent-ils, le taux SG&A s'améliore-t-il, le coût unitaire des affaires diminue-t-il ?

7. Les profits marginaux des fournisseurs de cloud en IA peuvent-ils couvrir les coûts du capital ?

La question finale à répondre est :

Les profits marginaux supplémentaires de l'IA + les revenus supplémentaires des activités existantes + les économies de coûts pour les clients, peuvent-ils couvrir les coûts de raisonnement, l'amortissement, l'énergie, les intérêts et le remplacement d'équipement ?

C'est le "test unitaire" que les investissements en infrastructures IA de plusieurs milliers de milliards de dollars doivent passer.

2. Trois points de croisement

Le premier point de croisement est l'intersection entre la croissance de la programmation et celle de la non-programmation.

Même si la programmation continue de croître, tant que le rythme de croissance ralentit progressivement, la non-programmation doit prendre le relais à un rythme plus rapide pour maintenir la pente de croissance globale des applications IA.

Le deuxième point de croisement est l'intersection entre les revenus de l'IA et l'amortissement, l'énergie et les intérêts de l'IA.

Seuls les profits marginaux supplémentaires de l'IA qui continuent d'être supérieurs aux coûts d'infrastructure permettront d'améliorer le retour sur capital.

Le troisième point de croisement est l'intersection entre l'économie de temps des entreprises et les bénéfices des entreprises.

Ce n'est que lorsque l'IA permet une croissance des revenus plus rapide que la croissance des employés et des coûts que l'histoire de la productivité entre réellement dans les états financiers.

Conclusion

Le marché ne recherche pas une deuxième application, mais un deuxième moteur de demande.

Ce qui se rapproche, c'est le service client et les agents vocaux, mais la réponse plus grande réside dans les agents de flux de travail d'entreprise composés de finance, de santé, de droit, d'assurance, de vente, d'approvisionnement, de maintenance informatique et de chaîne d'approvisionnement.

Le C-end a le plus de chances de créer une valeur de plateforme de niveau grâce à un agent d'action personnel ayant une mémoire à long terme, des droits de compte et des capacités de transaction.

Le développement scientifique de l'IA est un scénario beaucoup plus important à long terme pour l'avenir.

Ainsi, pour résumer la conclusion :

Le deuxième moteur de croissance de l'IA ne se manifestera probablement pas sous la forme d'un "deuxième Coding" bien rangé, mais plutôt sous la forme de centaines de processus commerciaux passant simultanément d'une opération manuelle à une exécution par IA.

Par conséquent, l'absence d'une nouvelle super application n'implique pas que l'IA soit en déclin. L'IA peut encore créer une immense valeur économique grâce à des améliorations de productivité larges et progressives.

Cependant, pour le marché des capitaux actuel, prouver simplement que "beaucoup de gens utilisent l'IA" n'est plus suffisant. Il faut maintenant prouver :

L'IA peut accomplir un travail réel, les entreprises sont prêtes à payer en fonction de l'utilisation et des résultats, les secteurs non technologiques peuvent créer une demande terminale durable, les améliorations de productivité peuvent se traduire par des marges bénéficiaires et des flux de trésorerie disponibles, et les nouveaux profits marginaux peuvent finalement couvrir l'amortissement, l'énergie, les intérêts et le renouvellement d'équipement.

Ainsi, le principal paradoxe de la logique d'investissement actuelle en IA n'est pas "y a-t-il un avenir", mais :

Les dépenses en capital et la dette sont déjà là, la programmation est passée d'une attente décevante à un consensus, et les revenus non liés à la programmation et la productivité totale des facteurs commencent à se mettre en route.

La programmation a déjà terminé le premier relais ;

Le service client, la santé, la finance, les ventes, la chaîne d'approvisionnement et les agents personnels prennent le relais du deuxième relais.

La prochaine vague de dynamisme dépend de la capacité de ces scénarios dispersés à se rassembler en un revenu, un flux de trésorerie et une productivité suffisamment importants avant que le premier relais ne ralentisse de manière significative.

C'est le décalage temporel le plus critique au niveau des applications de l'IA actuellement.

Comme mentionné précédemment, les individus ont tendance à passer d'un scénario de référence à un relais rapide, mais le marché pourrait douter et s'inquiéter avant de voir de nouvelles preuves, ce qui est également une source de volatilité du marché.

Le marché fera de plus en plus la distinction :

Qui a une véritable demande terminale, qui n'est qu'une commande interne à la chaîne d'approvisionnement ;

Qui peut générer des flux de trésorerie disponibles, qui ne peut générer que des revenus ;

Qui peut facturer à partir du budget de main-d'œuvre et de transaction, qui dépend encore de la concurrence par des tokens à bas prix.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.