Un ancien employé d'OpenAI exhorte ses collègues à vendre leurs actions avant l'introduction en Bourse

Andrew Ho, qui a rejoint l'équipe technique d'OpenAI fin 2025 et en est parti après environ huit mois, s'est montré très actif sur les réseaux sociaux, conseillant à ses anciens collègues de participer à toute offre de rachat et d'encaisser immédiatement, plutôt que d'attendre une introduction en bourse. Il estime que la logique de valorisation diffère fondamentalement entre les marchés privés et publics : les marchés privés permettent de raconter des histoires et d'avoir des attentes optimistes, tandis que les marchés publics exigent des flux de trésorerie, des bénéfices et une croissance réelle. Il souligne également des problèmes pratiques comme les périodes de lock-up et la pression potentielle à la vente après l'expiration de ces périodes. Ho détient lui-même environ 700 000 dollars d'actions d'OpenAI, mais a manqué la récente offre de rachat d'octobre, lors de laquelle plus de 600 employés ont vendu leurs actions dans le cadre d'une transaction record. Malgré cela, il reste pessimiste quant à la valorisation des laboratoires d'IA de pointe, arguant qu'ils ont des coûts élevés pour former les modèles de nouvelle génération, des revenus incertains, et qu'ils sont engagés dans une course de la reine rouge, où ils doivent investir en continu pour rester compétitifs. Il calcule que pour soutenir une capitalisation boursière de 1 000 milliards de dollars, un laboratoire aurait besoin d'un chiffre d'affaires annuel de 100 à 200 milliards de dollars, ce qu'il juge irréaliste. Il suggère également que les améliorations des modèles concernent surtout des tâches vérifiables comme les mathématiques et le code, tandis que les tâches complexes du monde réel progressent lentement. Néanmoins, il reste optimiste quant à l'avenir de l'IA, mais pense que le prochain goulot d'étranglement sera la disponibilité de données d'entraînement de haute qualité, pas seulement la puissance de calcul, et il a fondé une start-up pour fournir des ensembles de données d'apprentissage par renforcement aux laboratoires de pointe.