OpenAI publie les chiffres de Circles, opérateur MVNO qui utilise l’API OpenAI et Codex pour personnaliser l’expérience client dans la télécommunication. Le résultat annoncé : +22% d’ARPU et -9% de churn, avec une efficacité de développement améliorée. Ce sont les métriques sur lesquelles une entreprise décide si une technologie reste ou disparaît.

Le même jour, Alibaba ouvre les poids de Qwen3.8-Max, le modèle avec 2.4T paramètres dont nous avons raconté l’arrivée dans les stacks USA. Deux signaux parallèles : une étude de cas propriétaire avec des chiffres métier et un frontier ouvert sous licence MIT qui entre dans le flux de travail de ceux qui construisent.

Pourquoi cela te concerne. Les modèles, ouverts et propriétaires, cessent d’être un pari pour devenir une ligne du compte de résultat. Si ton organisation évalue l’adoption de l’IA, la bonne question est quel indicateur métier se déplace quand tu le mets en production. Les benchmarks disent peu de chose à ce sujet. Circles a mesuré l’ARPU et le churn. Qwen3.8-Max donne à ceux qui ont des contraintes de coût ou de souveraineté des données une option compétitive et téléchargeable.

Les deux chemins s’additionent. Le choix devient opérationnel.

Si tu veux essayer : identifie un processus où tu peux mesurer un indicateur métier avant et après l’introduction de l’IA. Sans ce chiffre, tu es dans du marketing.

En détail

L’étude de cas de Circles est intéressante car OpenAI publie rarement des chiffres métier aussi concrets. Circles est un MVNO (Mobile Virtual Network Operator) actif sur les marchés asiatiques. Il utilise l’API OpenAI et Codex pour personnaliser l’expérience utilisateur, automatiser une partie du développement logiciel et gérer le support client.

Les chiffres annoncés :

• +22% d’ARPU : chaque client génère en moyenne un cinquième de revenus en plus.
• -9% de churn : le taux d’abandon baisse d’environ un dixième.
• Efficacité de développement améliorée : OpenAI ne quantifie pas de combien, et c’est la première limite de la source.

Les données proviennent de la page officielle de l’étude de cas, donc à lire comme du matériel marketing partial. Aucune métrique n’est accompagnée de méthodologie de mesure, de période de référence ou de groupe de contrôle. Pour qui prend des décisions, le signal est intéressant mais la preuve manque : un +22% d’ARPU pourrait inclure des facteurs sans rapport avec l’IA.

De l’autre côté, Qwen3.8-Max est le deuxième modèle chinois ouvert en deux semaines à entrer dans les stacks opérationnels USA, après Kimi K3 servi via l’API Telnyx. Alibaba a promis les poids pour la semaine suivant l’annonce du 3 août, sous licence MIT. Le modèle est un mixture-of-experts avec 2.4T paramètres totaux, 95B actifs par token, fenêtre de contexte de 1M tokens. Les benchmarks rapportés (PaperBench 93.0, CoWorkBench 74.8) le placent dans la catégorie des frontier propriétaires, mais ce sont des auto-déclarations et à prendre avec prudence.

La convergence qui compte est celle-ci : un opérateur réel documente un impact financier mesurable, et en même temps un modèle ouvert avec des capacités frontier devient téléchargeable. Pour qui évalue l’adoption de l’IA en entreprise, cela signifie avoir à la fois un business case de référence et une option qui n’impose pas le lock-in d’un seul fournisseur.

Les limites restent fortes des deux côtés. L’étude de cas Circles vient d’une source unique et non indépendante : un suivi tiers serait utile. Les benchmarks de Qwen sont du fabricant. La taille de Qwen3.8-Max (2.4T paramètres) la rend non exécutable localement pour presque toutes les organisations : il faut une infrastructure d’inférence dédiée ou un fournisseur API. Alibaba propose l’API à 2 dollars par million de tokens en entrée et 6 en sortie, avec cache à 0,25 dollars, mais le tarif seul ne suffit pas à décider sans avoir testé la qualité sur son propre cas.

La leçon opérationnelle pour qui lit : quand tu évalues l’impact de l’IA sur ton travail, demande les chiffres métier et demande comment ils ont été mesurés. Une étude de cas sans méthodologie est une anecdote. Et un modèle ouvert avec 2.4T paramètres est une opportunité concrète seulement si tu as le compute pour l’utiliser, ou si tu le servis via API à un coût qui a du sens pour ton volume réel.