Anthropic a franchi le seuil des 65 milliards de dollars de chiffre d’affaires annualisé et distancie la trajectoire de ses concurrents directs. Ainsi, l’éditeur confirme que les entreprises ont bel et bien quitté la phase des tests d’usage. Pour les décideurs IT, cette accélération l’atteste. Le passage à l’échelle de l’IA générative est maintenant le véritable moteur de la compétitivité B2B.
Le chiffre d’affaires annualisé d’Anthropic a grimpé à 65 milliards de dollars à la fin du mois de juillet 2026. L’escalade est impressionnante puisque la société affichait 47 milliards en mai et à peine 9 milliards fin 2025. D’après les données relayées par Bloomberg, cette progression repose sur des revenus trimestriels qui ont franchi la barre des 11,5 milliards de dollars au deuxième trimestre.
À titre de comparaison, OpenAI pointe à 40 milliards de dollars sur la même période selon les chiffres compilés par TradingView. Fort de cette dynamique, Anthropic prépare le terrain pour une introduction en bourse historique cet automne. L’entreprise vise une valorisation qui pourrait atteindre 2 000 milliards de dollars.
De l’expérimentation à la production, les moteurs de la croissance d’Anthropic
JUST IN: ANTHROPIC'S REVENUE RUN-RATE HAS PASSED $65 BILLION AHEAD OF ITS IPO
— IPO Newsroom (@IPONewsroom_) August 17, 2026
The company hit that figure by the end of July, up more than sevenfold from where it ended last year, and shared it with investors as part of a regular update, per Bloomberg.
Run-rate topped $9… pic.twitter.com/vUVYIBlGUc
Derrière l’explosion des revenus d’Anthropic ne se cache pas une simple accumulation de souscriptions individuelles. Mais bien une hausse massive de la consommation d’API chez les grands comptes. Sur le terrain, les entreprises ne se contentent plus de faire tester l’outil à leurs équipes. Elles intègrent directement les modèles de fondation au cœur de leur système d’information.
L’adoption d’outils spécialisés comme Claude Code illustre parfaitement ce changement d’échelle. Dans les départements d’ingénierie logicielle, la consommation de tokens s’est envolée pour automatiser la génération, la revue et la maintenance du code au sein des chaînes CI/CD. En plus, le déploiement des modèles via des environnements cloud sécurisés, comme Amazon Bedrock, vient lever les freins historiques liés à la conformité et à la confidentialité des données dans les secteurs très régulés.
Par ailleurs, les récents rapports du Gartner observent le même phénomène dans les arbitrages budgétaires. Les enveloppes jusqu’ici réservées aux logiciels SaaS traditionnels basculent pas à pas vers les infrastructures d’IA. Ce passage vers l’industrialisation GenAI garantit des revenus récurrents solides à Anthropic. Puisque cela transforme de simples requêtes ponctuelles en flux d’exécution continus.
Les leçons pour les DSI face au défi de passer à l’échelle l’IA générative
Pour les Chief Data Officers et les directeurs de la transformation, la priorité est alors d’extraire un ROI IA mesurable de ces investissements. Les organisations qui tirent réellement leur épingle du jeu avec les modèles Claude ont dépassé le stade des chatbots internes. Elles misent aujourd’hui sur des agents autonomes qui gèrent des workflows complexes. Et cela de l’analyse financière avancée jusqu’à l’automatisation des opérations logistiques.
Toutefois, cette hausse de la consommation d’API d’Anthropic exige un pilotage financier rigoureux. Ainsi, les directions informatiques doivent rapidement adopter des réflexes FinOps pour surveiller le coût des requêtes et éviter les dérives. Ainsi, la généralisation du prompt caching et l’optimisation de la taille des fenêtres de contexte deviennent des leviers indispensables pour préserver la rentabilité des déploiements.
Réussir cette montée en charge implique également d’anticiper les risques de dépendance éditeur. Si Anthropic s’impose aujourd’hui comme un partenaire central avant son entrée sur les marchés, les DSI avertis conservent des architectures hybrides. Je trouve que c’est une flexibilité essentielle pour arbitrer entre les modèles selon les coûts et les performances. Et aussi de garantir la pérennité de leur système d’information.
- Partager l'article :