MiniMax brise la tradition : les revenus B2B explosent de 700 % et se transforme en « vendeur de pelles »

En un an, MiniMax a effectué une migration structurelle pour devenir une entreprise de socle informatique dont les moteurs centraux sont l'écosystème mondial des développeurs, le MaaS multimodal et l'infrastructure pour Agents.

Selon les données divulguées, l'échelle globale des revenus de MiniMax a connu une amélioration massive. Au premier semestre 2026, le revenu total a atteint environ 120 millions de dollars, soit une hausse de 283,1 % en glissement annuel. Les revenus de ce seul semestre équivalent déjà à 1,5 fois ceux de l'ensemble de l'année 2025.

Dans ce total, les revenus du B2B, principalement tirés de la plateforme ouverte et d'autres services aux entreprises, ont atteint 73,9 millions de dollars, soit une hausse spectaculaire de plus de 700 % en glissement annuel. La part de ce segment dans le revenu total est passée de 30,3 % l'an dernier à 63,4 %, devenant ainsi le plus grand pilier de revenus de l'entreprise.

La croissance fulgurante du marché des entreprises a entraîné une augmentation significative de l'ARR (revenu récurrent annuel) de MiniMax, atteignant 800 millions de dollars au mois d'août, dont environ 80 % issus du B2B et seulement 20 % du B2C.

(Il convient de noter que l'ARR n'est pas un chiffre audité selon les principes comptables généralement reconnus et qu'il contient intrinsèquement une part d'approximation, mais il reste un indicateur de référence précieux pour les entreprises de modèles d'IA et de type SaaS.)

Par ailleurs, au premier semestre, le marché étranger a contribué à environ 60 % des revenus de MiniMax, soulignant une fois de plus son ancrage mondial.

Parallèlement à cette explosion des revenus, les dépenses de vente et de distribution ont diminué de 17,9 % en glissement annuel pour s'établir à 27 millions de dollars, tandis que le bénéfice brut a bondi de 464,8 % pour atteindre 20,81 millions de dollars.

En ce qui concerne les pertes, la perte nette de la période a été ramenée d'environ 400 millions de dollars l'an dernier à environ 360 millions de dollars.

Cela signifie que MiniMax a définitivement tourné le dos à sa phase initiale, qui consistait à s'appuyer sur l'achat de trafic pour l'acquisition d'utilisateurs dans des applications grand public de divertissement généraliste. Après avoir déployé des efforts globaux sur les modèles fondamentaux et les capacités multimodales, l'entreprise s'est tournée vers une croissance organique tirée par l'écosystème des entreprises et des développeurs.

Faisons une simple comparaison horizontale :

• Selon The Information, DeepSeek a généré 70,7 millions de dollars de revenus au cours des sept premiers mois de cette année. En excluant le mois de juillet particulièrement actif, on peut estimer que les revenus du premier semestre de MiniMax sont environ le double de ceux de DeepSeek.

• Bien que les revenus nets de DeepSeek soient inférieurs à ceux de MiniMax, ses revenus des sept premiers mois représentent 10 fois ceux de l'année 2025 entière, une croissance bien supérieure à celle de MiniMax.

• La perte nette de DeepSeek sur les sept premiers mois s'élève à 106 millions de dollars, la perte nette de MiniMax sur la même période étant environ 3,4 fois supérieure à celle de DeepSeek.

Nouveaux et anciens consensus

MiniMax a révélé que l'augmentation fulgurante de la consommation de Tokens est une raison majeure de l'explosion des revenus de cette période.

Rien qu'en juillet de cette année, la consommation de Tokens sur l'ensemble des plateformes de MiniMax a atteint exactement 20 fois celle du mois de janvier. À ce jour, le nombre de clients entreprises et de développeurs dans le monde a dépassé les 2 millions, soit 10 fois plus qu'à la fin de l'année 2025.

Si la consommation de Tokens connaît un tel bond non linéaire, la réponse réside dans la migration du paradigme de consommation des modèles.

Le PDG Yan Junjie a révélé que le paradigme de consommation des modèles est passé d'un « dialogue direct entre l'homme et l'IA » à une « interaction en cascade à multiples tours entre les Agents et l'IA ».

La demande d'inférence pilotée par les Agents croît beaucoup plus rapidement que le nombre d'utilisateurs humains et de messages. Cela conduit directement à une explosion exponentielle de la consommation de Tokens par utilisateur.

Dans l'industrie des modèles en constante évolution, il s'agit déjà d'un « ancien consensus ».

Le nouveau consensus, plus important, est que l'entraînement postérieur (post-training) devient la nouvelle limite supérieure du Scaling.

D'après les informations publiées récemment sur Zhipu GLM 5.3, DeepSeek V4 Flash (version 0731) et Gemini 3.x Flash, de plus en plus d'entreprises de modèles s'appuient lourdement sur les mises à jour de petites versions, voire uniquement sur l'entraînement postérieur, pour améliorer significativement les performances des modèles sur des tâches grand public spécifiques.

Lors de la présentation des résultats, Yan Junjie a également souligné cette évolution vers un nouveau consensus de l'industrie : le Scaling des grands modèles passe rapidement d'un simple pré-entraînement à une expansion vers l'entraînement à mi-parcours, l'entraînement postérieur et l'apprentissage par renforcement.

Dans la phase d'entraînement postérieur, la génération massive de données synthétiques, le déploiement environnemental (inférence/génération) dans l'apprentissage par renforcement et la vérification par essais et erreurs des tâches produites sont par essence des calculs d'inférence. Plus le coût d'inférence par unité de puissance de calcul est bas et plus le débit est élevé, plus le modèle peut traiter de trajectoires et de tailles d'expérimentation lors de l'entraînement postérieur. C'est pourquoi de nombreuses entreprises de modèles, y compris MiniMax, consacrent une part de plus en plus importante de leur puissance de calcul aux phases d'entraînement à mi-parcours et postérieur.

Yan Junjie a souligné qu'à une échelle de calcul identique, le facteur d'amélioration de l'efficacité du calcul d'inférence présente une corrélation fondamentalement linéaire avec le facteur d'augmentation de la taille de l'entraînement postérieur. Cette phrase peut se comprendre grossièrement ainsi : plus l'effort investi dans l'entraînement postérieur est important, plus l'efficacité de l'inférence augmente, et meilleurs sont les résultats finaux du modèle.

En d'autres termes, que l'on considère ou non que la loi du Scaling a atteint un mur, ou que le nombre de paramètres des modèles a atteint sa limite — l'entraînement postérieur...