Le travail de bureau pourrait déclencher la prochaine vague de tokens : Astra et les bénéfices des entreprises coréennes

GPT-6 Astra, présenté le 3 septembre, et les produits financiers et d’analyse de données annoncés le 10 septembre suggèrent un déplacement de la concurrence en IA. La question porte moins sur la qualité d’une réponse isolée que sur la capacité à poursuivre une mission déléguée jusqu’à son achèvement. Le produit financier d’OpenAI relie données, sources et modèles de documents ; son offre d’analyse relie informations internes et autorisations.¹²³

Cela pourrait étendre l’usage intensif associé aux développeurs à un ensemble plus vaste de fonctions de bureau. Mais un lancement ne démontre pas une explosion de consommation. Multiplier le nombre d’employés de bureau par les tokens d’un développeur ne constitue pas non plus une prévision de marché défendable.

La thèse est conditionnelle : une meilleure utilisation de l’ordinateur et une exécution prolongée plus fiable peuvent réduire l’intervention humaine et augmenter les tâches effectivement déléguées. L’investisseur en actions coréennes doit ensuite identifier les entreprises qui convertissent cette demande en volumes et prix de mémoire, commandes d’équipements électriques ou bénéfices logiciels récurrents.

Le développement disposait d’un environnement d’exécution et de vérification

La programmation offre des dépôts de code à lire, des outils à exécuter et des tests auxquels comparer le résultat. Un système peut modifier un programme, examiner l’échec et recommencer. Tous les résultats logiciels ne sont pas faciles à vérifier. L’interprétation plus limitée est que l’articulation entre exécution et évaluation était souvent plus simple à organiser que dans les processus administratifs fragmentés.

Une étude publiée en avril 2026 sur les agents de programmation constate de fortes variations de consommation selon le modèle et le parcours d’exécution, y compris pour plusieurs essais d’une même tâche. Une dépense plus élevée n’améliorait pas systématiquement la précision. Cela constitue une raison supplémentaire de ne pas extrapoler mécaniquement les usages des développeurs.⁴

Au bureau, une promesse faite par courriel, la fiche d’un client, un calcul Excel et une règle interne peuvent se trouver dans des systèmes distincts. Une réponse correcte ne compense pas une modification erronée du dossier. Les permissions et les validations doivent faire partie du processus pour transformer une réponse en travail terminé.

« Le bureau après le développement » ne signifie donc pas qu’un marché commencerait lorsque l’autre s’arrête. Ils se recouvrent déjà. L’hypothèse est que l’intensité de l’usage récurrent dans les métiers non techniques pourrait devenir le prochain moteur de croissance.

L’utilisation de l’ordinateur élargit le champ ; la continuité change l’économie

Utiliser un ordinateur consiste à lire des écrans, cliquer et saisir des informations. Exécuter une mission longue suppose de conserver l’objectif et les éléments probants, de récupérer après une erreur et de vérifier le résultat. La première capacité élargit les processus accessibles ; la seconde réduit le besoin d’une supervision permanente.

Ces capacités se renforcent. Des clics fiables ne suffisent pas si l’agent perd l’objectif à la dixième étape. Un raisonnement prolongé ne suffit pas si une personne doit transférer chaque résultat dans le système de l’entreprise. Il s’agit d’une interprétation économique, pas d’une propriété mathématique démontrée de l’architecture du modèle.

Source : OpenAI. OSWorld utilise le sous-ensemble hors ligne v2026.08.08. Le paramétrage et les outils peuvent différer de la production ; les améliorations de l’environnement d’exécution comptent également.¹

La fiabilité de chaque étape peut produire un effet cumulatif. Dans un exemple où 50 étapes indépendantes doivent toutes réussir, une fiabilité de 98 % par étape donne 0,98 à la puissance 50, soit environ 36,4 %. À 99,5 %, le résultat atteint 77,8 %. Les erreurs réelles sont corrélées et les contrôles, reprises et corrections modifient le résultat. Ces nombres illustrent la composition des probabilités ; ils n’estiment pas la réussite réelle d’Astra.

L’entreprise ne devrait pas non plus tout réaliser par clics. Lorsqu’une interface de programmation stable, ou API, est disponible, elle est généralement préférable ; l’interaction visuelle peut combler les lacunes. L’opportunité est de relier le processus sans remplacer tous les systèmes existants.

Les capacités sont associées aux données et à l’exploitation

ChatGPT Financial Services, annoncé le 10 septembre, vise à relier données financières et documents aux modèles et contrôles de l’entreprise. L’offre d’analyse relie données autorisées et contexte métier. Les deux montrent pourquoi un modèle performant ne suffit pas : accès et validation doivent l’accompagner.²³

La bêta publique d’Agents API fournit une infrastructure de gestion du contexte, d’exécution des outils et de coordination entre agents. Éviter à chaque entreprise de construire son propre environnement d’exécution persistante pourrait réduire le coût de transformation des progrès du modèle en tâches payantes. Le lancement et les fonctions décrites sont observables ; la dépense agrégée des clients et la rentabilité des déploiements restent à établir.⁵

Le premier marché probable n’est pas le remplacement sans supervision de tous les postes. Comparaison de documents, préparation commerciale, rapports récurrents et rapprochement de frais sont des missions délimitées et vérifiables. Paiements, contrats engageants et décisions relatives à l’emploi doivent conserver les autorisations humaines appropriées, car l’erreur y coûte davantage.

Une instruction courte peut déclencher beaucoup de calcul

« Comparez trois fournisseurs et préparez le dossier de la prochaine réunion » tient en une phrase. Son exécution peut nécessiter la recherche de courriels et de devis, l’harmonisation des conditions, la création d’un tableau, la vérification des chiffres et des sources et l’application d’un modèle de document. Une information manquante peut déclencher une nouvelle exécution partielle.

La réponse finale peut être brève alors que le modèle est sollicité de nombreuses fois. Documents récupérés, résultats d’outils, contrôles intermédiaires et révisions consomment des tokens. Ceux-ci sont des unités d’entrée et de sortie du modèle, non un décompte de questions ou de phrases.

En juin 2025, Anthropic indiquait que, dans les données de son propre système de recherche, les agents utilisaient environ quatre fois les tokens d’une conversation, et les systèmes multiagents environ quinze fois. Ce n’est pas un multiplicateur universel pour les tâches professionnelles. Cela fournit néanmoins une preuve du mécanisme par lequel une conversation devient une exécution plus intensive.⁶

L’opportunité durable n’est pas de passer inefficacement plus de temps sur la même tâche. Elle consiste à réaliser des travaux auparavant abandonnés en raison de leur coût : davantage de propositions personnalisées, des rapprochements plus fréquents ou une recherche concurrentielle plus étendue. Des boucles de réessai sans valeur ne prouvent pas une volonté de payer durablement.

La fréquence de délégation compte davantage que l’effectif total

Tokens mensuels = salariés concernés × proportion d’utilisateurs actifs × tâches déléguées par utilisateur et par jour × jours travaillés × tokens cumulés par tâche.

Le cumul par tâche comprend toutes les entrées et sorties des appels, les reprises et les vérifications, y compris les appels des agents supplémentaires. Multiplier encore ce total par le nombre d’agents ou par un facteur de réessai compterait deux fois la même activité.

L’analyse de sensibilité suivante conserve une organisation de 1 000 salariés et 22 jours travaillés. Ce sont des hypothèses, pas des observations chez un client ni des prévisions pour 2027.

La référence est 1 000 × 20 % × 10 × 22 × 2 000 = 88 000 000 tokens. La délégation habituelle donne 1 000 × 50 % × 3 × 22 × 40 000 = 1 320 000 000. Les lignes décrivent des états alternatifs, non des suppléments à additionner à la référence. Une conversation et une mission terminée ne produisent pas non plus le même résultat.

Le facteur quinze associe 2,5 fois plus d’utilisateurs actifs et six fois plus de tokens quotidiens par utilisateur, de 20 000 à 120 000. Il ne nécessite pas quinze fois plus de personnes. Si l’adoption s’arrête à un résumé quotidien, l’expansion sera beaucoup plus faible.

Une population non technique plus importante ne démontre pas quand sa consommation dépassera celle du développement. Adoption, fréquence et intensité par tâche doivent être suffisantes. Il faut aussi éviter de compter deux fois le code créé par un salarié métier et les documents préparés par un développeur.

Un coût de modèle de 0,56 dollar illustre le seuil économique

Le prix public d’Astra Standard est de 10 dollars par million de tokens d’entrée et de 50 dollars par million de sortie. Supposons une tâche sans cache comportant 36 000 tokens d’entrée et 4 000 de sortie.¹

Coût du modèle = 36 000 / 1 000 000 × 10 dollars + 4 000 / 1 000 000 × 50 dollars = 0,56 dollar.

Les 4 000 tokens de sortie représentent le cumul facturable de tous les appels, non la longueur du rapport final. Lorsque les tokens de raisonnement sont facturés en sortie, ils doivent être inclus. Cache, modèles moins coûteux et frais d’outils modifient la facture réelle.

Le scénario habituel produit 500 utilisateurs × 3 tâches × 22 jours = 33 000 tâches mensuelles. Selon cette hypothèse, la facture du modèle atteint 18 480 dollars par mois, soit 36,96 dollars par utilisateur actif. Exécution du navigateur, licences de données, intégration, sécurité, formation et gestion des incidents sont exclues.

Valeur nette de la délégation = économies de travail réalisées ou valeur commerciale supplémentaire − modèles et outils − vérification et reprise humaines − pertes liées aux erreurs − coûts d’exploitation et d’intégration imputés.

Supposons une tâche à faible risque, de résultat équivalent, réalisée manuellement en 30 minutes avec une valeur du temps de 50 dollars par heure. Son coût initial est de 25 dollars. Si l’IA nécessite cinq minutes de vérification et si les 20 % de tâches échouées sont refaites entièrement, la reprise attendue ajoute six minutes. Le coût humain est d’environ 9,17 dollars ; avec le modèle, il atteint 9,73 dollars. Il reste environ 15,27 dollars pour les autres coûts et les erreurs. Le taux de réussite de 80 % est une hypothèse, non un résultat de benchmark.

Si la vérification prend 25 minutes, le coût attendu monte à 26,39 dollars. Une inférence peu coûteuse ne sauve pas le processus. Le temps gagné ne réduit pas automatiquement la masse salariale : il doit se traduire en réaffectation, production supplémentaire ou recrutements évités.

La mesure décisive n’est donc pas la durée pendant laquelle un agent peut fonctionner, mais le temps d’intervention humaine par mission achevée.

Tokens, facturation, calcul et mémoire ne sont pas équivalents

Transformer une croissance de quinze fois des tokens en quinze fois plus de demande de semi-conducteurs omet plusieurs étapes.

À composition du travail constante, quinze fois plus de tokens et 80 % de calcul en moins par token impliquent trois fois plus de calcul. Avec une réduction de 95 %, le résultat est de 0,75 fois : 15 × 0,20 et 15 × 0,05. Ce sont des sensibilités, pas des prévisions de progrès technique.

Un coût plus faible peut stimuler l’utilisation sans augmenter la dépense totale. Toutes choses égales par ailleurs, les quantités doivent croître assez pour compenser la baisse du prix unitaire. Il faut considérer les usages nouvellement rentables et la réduction du calcul nécessaire au travail déjà effectué.

La simultanéité est un autre facteur. Un même volume quotidien peut exiger davantage de capacité s’il se concentre au début de la journée. À l’inverse, regrouper la nuit les tâches tolérant un délai améliore l’utilisation et peut retarder les constructions. Multiplier le nombre d’agents par 24 heures ne crée pas automatiquement de demande.

La thèse sur la mémoire couvre plusieurs niveaux

Les systèmes conservent les poids du modèle ainsi que des résultats intermédiaires du contexte antérieur. L’état d’attention réutilisable est couramment appelé cache KV. Les missions longues et les utilisateurs simultanés peuvent rendre plus importants son emplacement et sa vitesse de récupération.

Tout ne doit pas rester dans la coûteuse mémoire à haute bande passante, ou HBM. Les annonces STX et CMX de NVIDIA, en mars 2026, décrivent un niveau supplémentaire de stockage du contexte. L’objectif est à la fois d’élargir le contexte accessible et d’améliorer l’utilisation des GPU existants. Les performances annoncées dépendent de la configuration ; elles ne mesurent pas l’efficacité de toute l’industrie.⁷

HyMCache, soumis en juillet puis révisé en août sous le titre A CXL Memory Rack for Multi-Turn LLM Serving, explore une combinaison de DRAM et de SSD pour conserver les états réutilisables. Une comparaison renonce à une partie des performances contre une consommation bien plus faible de DRAM. C’est de la recherche, pas une preuve d’adoption commerciale massive, mais un contre-exemple à l’extrapolation proportionnelle entre tokens et un produit de mémoire précis.⁸

L’hypothèse utile n’oppose donc pas disparition de la HBM et explosion garantie de sa demande. Il faut suivre la répartition entre HBM rapide, DRAM de serveur et SSD d’entreprise de grande capacité, puis la valeur captée par les fournisseurs. Les tokens ne sont pas non plus des documents stockés : relire le même fichier accroît le volume logique sans nécessairement augmenter les données sources conservées.

Quatre mécanismes de bénéfices dans les actions coréennes

Le tableau organise la recherche par exposition. Ce n’est pas un classement d’achats tenant compte des cours actuels.

SK hynix : élargir l’analyse au-delà de la HBM

La présentation de produits du 26 août comprend HBM, DRAM de serveur et SSD d’entreprise. Ce portefeuille offre plusieurs voies d’exposition à une hiérarchie de mémoire plus différenciée. Un produit exposé ne prouve pas que chaque offre contribuera au même niveau et au même moment au chiffre d’affaires.⁹

Il faut suivre volumes et prix par produit, pas seulement les revenus qualifiés d’IA. Une hausse des livraisons HBM ne décrit pas tout si la DRAM de serveur ou la NAND faiblissent. La trésorerie opérationnelle doit être examinée après investissements et besoins en fonds de roulement.

SK hynix est un candidat direct à l’étude, mais exposition directe ne signifie pas sous-évaluation. Un secteur favorable peut produire de mauvais rendements si la supériorité de l’offre est déjà intégrée aux attentes.

Samsung Electronics : une large exposition et des effets compensatoires

Dans ses résultats du 30 juillet, Samsung relie les perspectives d’IA agentique du second semestre à la DRAM de serveur, aux SSD d’entreprise et à la HBM. Cela montre qu’un fournisseur défend une hypothèse de demande similaire. Il s’agit toujours de la perspective de sa direction, non d’une preuve indépendante des conditions futures.¹⁰

La diversité des mémoires offre plusieurs canaux, mais les bénéfices dépendent de la production rentable après qualification du client, des rendements de fabrication et de la composition des ventes. Les autres semi-conducteurs et activités grand public influencent également le résultat consolidé.

Il ne faut pas ajouter mécaniquement le lancement d’Astra au modèle de bénéfices. Il faut isoler la demande supérieure aux dépenses d’IA déjà prévues et son effet sur volumes, prix ou marges. Une nouvelle explication d’une commande existante n’est pas un bénéfice supplémentaire.

LS ELECTRIC : commandes et construction, pas redevance par token

Le 24 août, LS ELECTRIC annonce l’extension d’un contrat nord-américain d’équipements électriques pour un centre de données d’IA, dont le total atteint environ 230,9 milliards de wons. Il s’agit du montant total modifié, pas d’une commande entièrement supplémentaire à additionner au contrat antérieur. Le lien commercial avec les centres de données est réel, mais le contrat précède Astra et ne peut lui être attribué.¹¹

Si l’inférence de bureau augmente seulement l’utilisation des équipements existants, les nouvelles commandes électriques ne progresseront pas immédiatement. La demande persistante doit conduire à une construction financée et raccordable à l’électricité. Des coûts de financement élevés et des retards peuvent coexister avec une perspective favorable à long terme.

L’analyse doit porter sur les nouvelles commandes, la conversion du carnet en chiffre d’affaires, les marges de projet et les encaissements. Traiter l’entreprise comme si elle percevait une redevance pour chaque token ignore délais et risques d’exécution.

Samsung SDS : l’exploitation compte davantage que la revente

Samsung SDS décrit FabriX comme une plateforme reliant plusieurs modèles aux systèmes de l’entreprise et permettant de créer, exploiter et gouverner des agents. Brity Copilot intègre l’IA aux courriels et aux réunions. Accès aux données, permissions et responsabilité opérationnelle constituent une exposition plausible aux usages de bureau.¹²¹³

Les fournisseurs de modèles avancés étendent toutefois leurs propres produits et connexions d’entreprise. Une simple interface de dialogue ou un accès revendu peuvent subir une pression sur les prix. Une meilleure défense concurrentielle réside probablement dans les exceptions des systèmes existants, les permissions, les journaux d’audit et la gestion des incidents associés à des renouvellements récurrents.²⁵

La hausse des usages payants n’assure pas celle du bénéfice si les coûts des modèles et de l’intégration augmentent plus vite. Il faut demander contrats externes récurrents, rétention après mise en service et marges après inférence. Les documents produits examinés n’établissent pas une marge autonome de l’activité IA.

Une bonne thèse industrielle peut perdre en Bourse

Facteur du cours = facteur du bénéfice par action × facteur du multiple de valorisation.

Si le bénéfice par action monte de 30 % mais que le PER passe de 20 à 15 fois, le cours devient 1,30 × 15 / 20 = 0,975 de son niveau initial, soit une baisse de 2,5 %. Ces chiffres sont illustratifs, non les valorisations actuelles des sociétés citées. La définition et l’horizon du bénéfice sont supposés cohérents.

Multiplier par quatre le meilleur trimestre de mémoire et le considérer comme permanent est imprudent. Il faut normaliser prix, offre, amortissements, investissement et trésorerie. Le montant d’un contrat d’équipement n’est pas un bénéfice immédiat ; les revenus logiciels doivent être appréciés après les coûts de revente.

Cet article n’est pas une valorisation entreprise par entreprise fondée sur une vérification exhaustive des cours et du consensus du jour. Il n’invente ni objectifs de cours ni prix d’entrée. Un achat exige de reconstituer la croissance intégrée dans la valeur d’entreprise et de vérifier si nouvelles commandes et usages répétés la dépassent.

Les fabricants de mémoire méritent une recherche précoce parce qu’ils permettent une exposition à plusieurs modèles sans choisir une unique application gagnante. Mais diversifier les clients de modèles ne diversifie pas le cycle mémoire. Détenir les deux grands producteurs coréens laisse une exposition commune aux dépenses d’IA et aux prix des mémoires.

À partir du quatrième trimestre, suivre répétition et intervention

Le quatrième trimestre 2026 et le premier trimestre 2027 constituent une fenêtre d’observation, pas un calendrier d’adoption garanti.

Si l’usage récurrent non technique et l’économie unitaire restent non démontrés pendant deux trimestres, il faut repousser le calendrier de la prochaine vague. Si l’adoption progresse mais que l’efficacité compense les besoins matériels, la thèse d’adoption logicielle peut subsister tandis que celle des semi-conducteurs s’affaiblit. Des incidents réduisant les permissions ou un besoin permanent de secours humain constituent également des signaux contraires.

Astra pourrait développer le marché des missions terminées davantage que celui des réponses longues. Pour les actions coréennes, l’argument d’achat apparaît lorsque cette possibilité crée dépenses récurrentes et trésorerie au-delà de ce que le cours intègre déjà.

Informations vérifiées au 11 septembre 2026. Les déclarations des entreprises sont distinguées d’une validation indépendante en production. Les scénarios de tokens, de coûts et de cours reposent sur les hypothèses de l’auteur. Ce texte n’est pas un conseil d’investissement personnalisé.

Sources