Un prototype en une semaine, une facture divisée par dix
OpenAI et Revolut s’attaquent au même problème par deux chemins différents: OpenAI cherche à raccourcir les cycles de prototypage physique, tandis que Revolut cherche à faire baisser le coût d’usage quotidien de l’IA dans le développement logiciel. OpenAI a indiqué le 3 novembre 2026 que ses modèles aident désormais les ingénieurs à concevoir, simuler et construire des produits physiques, avec des usages couvrant la mécanique, l’électronique, le logiciel et les contraintes de fabrication . Revolut affirme de son côté avoir réduit d’environ 90% ses coûts d’inférence pour le codage en orientant environ 2 000 ingénieurs vers des modèles GLM auto-hébergés plutôt que vers des services commerciaux facturés à l’usage .
Le mot clé est la compression. OpenAI compresse le calendrier: moins de temps entre l’idée, le boîtier, le circuit imprimé, le firmware et le prototype. Revolut compresse la facture: moins de dollars par million de tokens, moins de surprise en fin de mois et davantage de liberté pour déléguer des tâches répétitives. Ces deux cas ne prouvent pas que les ingénieurs deviennent inutiles. Ils montrent plutôt que leur environnement de travail se reconfigure rapidement.
Le « Codex pet » d’OpenAI: quand l’agent logiciel devient objet
L’exemple le plus concret d’OpenAI est un petit appareil permettant de parler à Codex, son agent de programmation . OpenAI le décrit comme un dispositif de test, conçu pour donner une interface physique à un assistant de codage . L’entreprise explique avoir utilisé GPT-6 pour définir les exigences fonctionnelles, tandis qu’Astra a travaillé sur le boîtier, les structures internes, le choix des composants, le circuit imprimé, l’interface utilisateur, le firmware et les intégrations logicielles nécessaires pour relier l’objet à Codex . Deux membres de l’équipe ont travaillé avec Astra sur ce projet parallèle pendant moins d’une semaine, puis un fabricant sous contrat a produit une petite série de prototypes en moins d’un mois .
La nuance est essentielle: Astra n’a pas livré un produit industriel prêt à fabriquer du premier coup. OpenAI reconnaît que plusieurs cycles de revue et d’itération ont été nécessaires avant la fabrication, car Astra ne tenait pas toujours compte des limites de production, des tolérances ou des détails d’assemblage . The Decoder a résumé la même limite: le modèle peut couvrir une chaîne allant du boîtier au firmware, mais les contraintes de fabrication restent un point de contrôle décisif .
Cette réserve est importante, car le matériel n’est pas du logiciel auquel on aurait ajouté des atomes. Un circuit peut sembler correct dans un outil de conception et poser problème à l’assemblage. Un boîtier peut être séduisant visuellement mais mauvais en tolérance, en dissipation thermique ou en maintenance. Un prototype utile n’est pas encore un produit fiable. Mais la démonstration reste significative: l’IA générative ne se limite plus à compléter du code, elle commence à intervenir dans l’ingénierie produit multidisciplinaire.
Ce que cela change pour l’économie de la R&D
Une grande partie du coût de la R&D matérielle est un coût d’attente: attendre une révision CAO, attendre un routage de carte, attendre un ajustement firmware, attendre une nouvelle itération de prototype. OpenAI veut montrer que les modèles peuvent réduire certains de ces délais. L’entreprise dit que ses équipes matérielles et infrastructure utilisent Codex et ChatGPT pour créer et modifier des modèles CAO, préparer des plans de fabrication, configurer des simulations et relire des conceptions dans des domaines allant de la robotique à l’infrastructure de calcul . Elle ajoute que l’usage de modèles par ces équipes, mesuré en tokens, a été multiplié par 23 depuis février .
OpenAI donne aussi un indicateur de progression. Sur BenchCAD 2.0, un test qui mesure la capacité des modèles à reconstruire des pièces et assemblages 3D et à identifier des connexions sur des circuits imprimés, un nouveau modèle interne a obtenu 0,875, contre 0,594 pour GPT-6 Astra à son niveau de raisonnement le plus élevé . Ce résultat reste une donnée communiquée par l’entreprise, pas une validation indépendante complète. Mais il indique la direction: des modèles capables d’agir dans les outils d’ingénierie, pas seulement d’en parler.
L’enjeu dépasse aussi le petit compagnon de bureau pour développeurs. OpenAI dit élargir son travail avec Chip Ganassi Racing afin de transformer des scans 3D de pièces existantes en modèles CAO éditables et en plans 2D de fabrication . L’entreprise annonce également une collaboration de recherche avec Mazda autour de l’aérodynamique et de la sécurité en cas de crash . Pour l’automobile, la course ou l’infrastructure, la promesse n’est pas un gadget sympathique. C’est l’exploration plus rapide de variantes de conception coûteuses à tester manuellement.
La leçon de Revolut: le prix du token modifie les usages
Le cas Revolut est moins spectaculaire visuellement, mais peut-être plus immédiatement lisible pour les directions techniques. The Register a rapporté le 3 novembre que Revolut dit avoir réduit d’environ 90% ses coûts d’inférence pour le codage en moins d’un an, en faisant de modèles auto-hébergés son choix par défaut plutôt que de dépendre principalement de services commerciaux comme Claude . David Abitbol, responsable opérations et infrastructure chez Revolut, a indiqué que le déploiement concernait environ 2 000 ingénieurs et s’accompagnait d’une amélioration de 60% du temps de codage et de 70% du lead time .
Le détail d’infrastructure est central. Revolut a d’abord adopté GLM-5.1, puis GLM-5.3, aujourd’hui servi par 56 GPU Nvidia B200 . Selon The Register, l’auto-hébergement de GLM revient à environ 0,30 dollar par million de tokens d’entrée et de sortie, soit environ un dixième du coût d’OpenAI Codex ou d’Anthropic Claude Code dans la comparaison de Revolut . RuntimeWire rapporte également que GLM est devenu le modèle de codage par défaut pour environ 2 000 ingénieurs, Claude Code et Codex restant réservés aux exceptions .
Ce n’est donc pas seulement une histoire d’achat informatique. Le changement économique modifie le comportement. Quand les tokens deviennent suffisamment bon marché, les ingénieurs cessent de les économiser pour les « grandes » tâches. Ils les utilisent aussi pour le débogage, les tickets Jira, les documents Confluence ou la recherche d’exigences dans les conversations internes . Autrement dit, l’IA devient utile non seulement pour écrire du code, mais pour réduire la friction autour du code.
L’auto-hébergement n’est pas magique
Il serait toutefois dangereux de conclure que toutes les entreprises doivent acheter des GPU dès demain. Le cas Revolut est un cas d’échelle. Le dispositif décrit utilise 56 Nvidia B200, soit l’équivalent en nombre de GPU de sept systèmes DGX B200 à huit GPU . Revolut a aussi dû optimiser la pile avec quantification NVFP4, séparation du prefill et du decode, gestion stricte de la longueur de contexte et objectifs de latence . Les économies supposent donc une forte utilisation, une expertise d’infrastructure et une discipline opérationnelle.
La gouvernance compte aussi. L’argument de Revolut est qu’un modèle ouvert exécuté sur sa propre infrastructure réduit l’exposition de code propriétaire à des API externes. The Register rapporte la position d’Abitbol: le risque principal associé aux modèles ouverts chinois ne vient pas des poids eux-mêmes, mais de l’utilisation d’API hébergées en Chine; une exécution sur site ou dans un cloud régional modifie le profil de risque . C’est un argument cohérent, mais il ne remplace pas les audits, les journaux, l’évaluation des modèles et les règles de sécurité pour les agents de codage.
Le compromis technique reste visible. GLM est textuel, ce qui oblige Revolut à router certaines tâches visuelles ou d’interface vers d’autres modèles, comme Gemini ou GPT Luna, tout en gardant la génération de code sur GLM . Ce modèle hybride pourrait devenir courant: un modèle auto-hébergé peu coûteux pour le travail quotidien, un modèle de frontière pour les cas difficiles, et un routeur pour décider quand monter en gamme.
Le signal de fond: le coût d’ingénierie devient un problème de système
OpenAI et Revolut ne racontent pas la même histoire, mais elles se répondent. OpenAI montre que l’IA assistée s’étend du code vers la CAO, les circuits imprimés, la simulation et le prototype physique. Revolut montre que l’économie de l’IA dans l’ingénierie dépend autant du coût d’inférence et de l’architecture de déploiement que du nom du modèle utilisé.
La leçon pour les responsables techniques est nette. Le meilleur système ne sera pas forcément celui qui utilise toujours le modèle le plus puissant. Ce sera peut-être celui qui combine des modèles assez bons, des tokens assez bon marché, une gouvernance solide et des humains responsables de la revue, du jugement, de la sécurité et de la fabricabilité.
Tony Stark ne récupérera peut-être pas son laboratoire. Mais ce laboratoire aura probablement un routeur de modèles, un budget GPU et un calendrier de prototypage beaucoup plus court.
Commentaires
Sois le premier à commenter.