Le plan secret de Liang Wenfeng : pourquoi DeepSeek ne recherchera jamais le profit, ne construira pas une super app et ne fermera pas ses modèles

En juillet 2026, une transcription de quatre heures d'une réunion avec des investisseurs, réunissant Liang Wenfeng, le fondateur de DeepSeek, a été publiée par Tencent Technology. Ce document, corroboré par plusieurs médias internationaux comme Reuters, Bloomberg et le Wall Street Journal, offre un aperçu d'une franchise inhabituelle de l'un des laboratoires d'IA les plus secrets au monde. Il révèle un fondateur animé par une obsession unique : atteindre l'Intelligence Artificielle Générale (AGI), quitte à sacrifier toute logique commerciale conventionnelle.

Le tour de table de 6,9 milliards de dollars : un revirement stratégique

DeepSeek a bouclé son tout premier tour de financement externe à plus de 50 milliards de yuans (~6,94 milliards de dollars), ce qui lui confère une valorisation supérieure à 50 milliards de dollars . Ce tour de table marque un abandon radical de la doctrine longtemps défendue par Liang : « pas de levée de fonds, pas d'introduction en bourse, pas de commercialisation » . Le plus frappant est que Liang lui-même est devenu le plus grand investisseur individuel, contribuant environ 20 milliards de yuans (~2,8 milliards de dollars) de sa poche — près de la moitié du total . Tencent a également été un participant clé . Les fonds sont destinés à doubler les effectifs de DeepSeek et à acquérir agressivement de la puissance de calcul pour rivaliser avec les laboratoires de pointe américains .

L'open source est non négociable

Liang a fermement engagé DeepSeek à garder ses modèles les plus avancés en open source, arguant que le développement open source et la monétisation commerciale ne s'excluent pas mutuellement . Il a décrit l'open source comme un « abandon de profit » — un compromis délibéré qui apporte des avantages internes (fierté des employés, cohésion de l'entreprise) et externes (la communauté IA au sens large en profite) . Il a explicitement rejeté l'idée de passer en closed source, affirmant que la retenue elle-même est une stratégie pour maximiser la probabilité d'atteindre l'AGI .

La feuille de route vers l'AGI : étape par étape

Liang a déclaré que la seule vision à long terme de DeepSeek est l'AGI — et non la construction d'une plateforme grand public, d'une super application ou la maximisation des revenus à court terme . Il a présenté une feuille de route technique par étapes :

• CoT (Chaîne de Pensée) : la « marche d'escalier » de 2025 .
• Agent : la marche actuelle pour 2026 .
• Apprentissage continu : le prochain problème majeur à résoudre après l'Agent .
• Singularité → Intelligence incarnée : la progression à plus long terme au-delà de l'apprentissage continu .

Il a explicitement exclu tout investissement dans la génération 3D, la génération vidéo ou les modèles de monde, les considérant comme des distractions par rapport à la voie de l'AGI .

La philosophie de la « retenue comme stratégie »

Liang a rejeté la maximisation des profits de type monopole. Sa philosophie de tarification des API était simple : fixer un prix pour récupérer les coûts matériels en environ dix mois — un profit raisonnable, et non un profit maximal . Il a noté que la demande dans cette gamme de prix est inélastique — même un doublement du prix ne réduirait pas significativement la consommation de tokens — mais il a choisi de ne pas le faire . Lorsque DeepSeek a un jour réduit le prix d'un modèle au quart, l'équipe a célébré ; l'accessibilité était elle-même l'objectif .

Sur le monopole, il a déclaré que l'entreprise ne se bat pas pour le trafic des consommateurs, ne suit pas les tendances du marché B2B et n'essaie pas de dominer un secteur vertical . Son argument principal : « Plus vous êtes retenu, plus vous avez de chances de réussir » . Le seul monopole qui l'intéresse est celui qui compte pour le progrès de l'AGI — l'accès à la puissance de calcul, qu'il a qualifié de plus grande contrainte pour DeepSeek, notant qu'ils fonctionnent avec environ 1/20e de la puissance de calcul des laboratoires de pointe américains, avec environ 20 000 GPU équivalents H, accusant un retard de 12 à 18 mois sur les États-Unis .