Leopold reste dans la partie, résultats des Big Tech, OpenAI baisse les prix de GPT-5.6

TBPN analyse la lettre de Leopold Aschenbrenner, la volatilité des fonds AI, les résultats des Big Tech et le coût réel des modèles OpenAI.

L’épisode part de la lettre de Leopold Aschenbrenner aux LPs de Situational Awareness: le fonds a subi un mois de juillet très violent, mais il n’est ni fermé, ni liquidé, ni réduit à ses seules positions privées. La décision centrale consiste à vendre une partie du portefeuille public à Citadel afin d’éliminer le levier, retirer le risque de marge et préserver les positions privées.

Ce que révèle l’épisode

Situational Awareness décrit un drawdown amplifié par des mouvements extrêmes sur des valeurs AI et par une pression de marché sur les noms publiquement associés au fonds.
La lettre assume la responsabilité, reconnaît que le risque a été mal calibré et promet des changements de gestion de portefeuille, d’équipe risque et de vigilance.
TBPN insiste sur la nuance entre une vente de bloc à une contrepartie privée et un véritable bailout: il s’agit d’une transaction de marché, pas d’un sauvetage public.
La thèse AI n’est pas présentée comme invalide; la leçon porte surtout sur le levier, la concentration, la liquidité et la construction de portefeuille.

Big Tech et capex AI

La deuxième partie montre que les résultats de Microsoft, Apple, Amazon, Meta et Alphabet sont lus à travers le prisme de l’IA. Les revenus et bénéfices peuvent dépasser les attentes, mais la réaction du marché dépend surtout des dépenses d’infrastructure, de la croissance cloud et de la capacité à relier le capex à une adoption concrète.

Modèles, coût par tâche et benchmarks

La discussion sur OpenAI déplace le débat du prix par token vers le coût par tâche. Un modèle apparemment moins cher peut devenir plus coûteux s’il consomme beaucoup plus de tokens. L’exemple ARC-AGI V3 rappelle aussi que le harness d’évaluation, la mémoire et certains paramètres d’API peuvent multiplier les scores tout en réduisant les tokens de sortie.

À retenir

Le thème commun est la qualité de l’exécution sous contrainte: gérer le levier dans un fonds AI, justifier le capex chez les hyperscalers et intégrer correctement les modèles dans des systèmes mesurables.

Source

Chaîne: TBPN
Vidéo source: https://www.youtube.com/watch?v=xa5MncRRgoU