Xpeng réduit ses lignes de produits alors que les calculateurs de coûts d'inférence ciblent les budgets IA

Le constructeur de véhicules électriques chinois Xpeng a consolidé ses lignes de produits de quatre à deux, selon 36Kr, qui a signalé ce changement le lundi 28 septembre en citant plusieurs personnes de l'industrie. Le rapport indique que l'entreprise a fusionné ses lignes I et F avec la ligne G, ne laissant que G et D en place. CnEVPost, qui a couvert la même histoire, a déclaré que le changement concerne la gestion des produits internes et les responsabilités R&D, et non une réduction du catalogue de véhicules à deux modèles.

La ligne G gérait auparavant les grands SUV, y compris le GX et le G9L. La ligne F couvrait les berlines de la série P. La ligne I s'occupait des produits à l'étranger, et la ligne D supervisait la série Mona. Après la restructuration, Mona reste sous D, tandis que tout le reste est placé sous G, a rapporté 36Kr. Selon CnEVPost, l'ancien responsable de la ligne F supervise désormais la définition des produits de la ligne G sans changement de rang, et l'ancien responsable de la ligne I est passé aux affaires étrangères, à l'exclusion des ventes de véhicules. Aucune des deux entreprises n'a confirmé le rapport officiellement. The Register n'a pas couvert les changements ; CnEVPost et 36Kr sont les deux médias qui traitent de l'histoire.

Les livraisons chutent tandis que les dépenses R&D augmentent

La restructuration a un contexte financier clair. Xpeng a livré 243 111 véhicules au cours des huit premiers mois de l'année, en baisse de 10,49 % par rapport à l'année précédente, selon les données compilées par CnEVPost. Les livraisons d'août ont atteint 39 107 unités, en hausse de 3,71 % sur un an et de 2,84 % par rapport à juillet. Les livraisons mensuelles ont désormais augmenté sur un an pendant trois mois consécutifs, mais les gains n'ont pas compensé le déficit de début 2026. Sur la même période, les dépenses de recherche et développement ont augmenté. CnEVPost a rapporté que les dépenses R&D du deuxième trimestre de Xpeng ont augmenté de 32,1 % sur un an pour atteindre 2,91 milliards de yuans, portées par les dépenses sur les nouveaux modèles et les technologies IA. L'entreprise a enregistré une perte nette de 1,34 milliard de yuans au trimestre, plus large que la perte de 480 millions de yuans un an plus tôt, mais plus étroite que les 1,78 milliard de yuans perdus au premier trimestre. La marge automobile était de 12,1 %, stable par rapport au premier trimestre mais inférieure aux 14,3 % de l'année précédente. Xpeng a attribué la baisse annuelle aux transitions de modèles, tandis que les services et autres activités ont relevé la marge brute globale à 20,7 % contre 17,3 %.

Selon 36Kr, la consolidation des lignes de produits pourrait concentrer les ressources R&D, réduire les coûts et limiter la concurrence interne entre les modèles dont le positionnement et les prix se chevauchent. Le rapport note également que Xpeng continue de lancer de nouveaux modèles pendant que la restructuration est en cours.

L'entreprise a lancé le SUV phare à cinq places G9L le 17 septembre, complétant le GX à six places. Les livraisons du Mona L03 ont commencé en juillet, et le président et PDG He Xiaopeng a déclaré lors d'un appel aux résultats en août que le lancement du SUV Mona L05 en Chine était prévu au quatrième trimestre.

M. He a également déclaré à l'époque que Xpeng vise à dépasser 60 000 livraisons mensuelles uniques au quatrième trimestre, un objectif d'environ 53 % au-dessus du niveau d'août. Si la plus petite organisation de produits peut soutenir ce rythme est la question que les deux prochains trimestres répondront.

Un calculateur pour l'autre moitié de la facture

L'histoire de Xpeng concerne les dépenses sur les modèles et les fonctionnalités IA. Un article séparé publié le 23 septembre pointe vers le coût d'exécution de ces fonctionnalités IA une fois livrées. Flavio Copes a publié un calculateur de coûts d'inférence qui compare 27 modèles chez OpenAI, Anthropic, Google, xAI, Mistral, OpenRouter et Workers AI. L'outil demande le nombre d'utilisateurs actifs quotidiens, les appels LLM par utilisateur, les jetons d'entrée et de sortie par appel, et éventuellement un taux de réussite du cache de prompt. Il produit ensuite une facture mensuelle d'inférence. La page indique que les chiffres proviennent des tarifs API publiés pour 27 modèles, et que la tarification par lot, les remises entreprises, les suppléments pour images ou outils et les couches de cache personnalisées sont ignorés. Copes décrit la sortie comme une estimation de planification, pas comme un devis fournisseur. Le calculateur s'exécute entièrement dans le navigateur ; un lien de partage encode uniquement les entrées dans l'URL.

Le timing compte car la forme des factures IA change. Les charges de travail agentiques peuvent augmenter l'utilisation de jetons par tâche jusqu'à 100 fois, selon Futurum Research, qui a été couvert dans les titres récents de l'industrie. Ce changement pousse les acheteurs à s'éloigner de la tarification par jeton et vers des contrats basés sur la capacité, où les heures de GPU plutôt que les jetons deviennent l'unité de compte. Si une seule exécution d'agent peut consommer cent fois les jetons d'un échange de chat, l'arithmétique d'un calculateur construit pour des préréglages de chat ne décrit plus le déploiement.

Les prix du matériel vont dans l'autre sens

Côté GPU, la pression sur les prix n'a pas diminué. Les contrats court terme de GPU B300 ont dépassé 24 dollars par heure, selon les couvertures récentes du marché. Nebius a augmenté les prix d'inférence de 18,3 %, selon les rapports de septembre, inversant l'attente que les coûts d'inférence baissent continuellement. L'analyse de marché basée à Cleveland citée par finance.biggo.com projette que le marché des puces IA de data center atteindra 860 milliards de dollars d'ici 2030, l'inférence étant le champ de bataille. Ces chiffres se situent mal à côté de la consolidation de Xpeng : une entreprise réduit les frais R&D internes pour protéger les marges, tandis que l'infrastructure dont dépendent ses fonctionnalités IA devient plus chère pour les acheteurs qui louent plutôt que de posséder.

Nvidia, entre-temps, investit dans la couche de sécurité qui se situe entre les agents et les systèmes qu'ils touchent. Le 28 septembre, l'entreprise a publié un blog technique décrivant la plateforme NVIDIA Open Agent Safety Platform, qui combine OpenShell, un runtime sécurisé Apache 2.0 qui exécute les agents dans des environnements sandbox avec une isolation au niveau du noyau, avec NVIDIA Sentry sur les DPUs BlueField-4. Le blog, par John Myers, Alex Watson, Ali Golshan et Ofir Arkin, dit que la plateforme repose sur cinq principes : politique vérifiable, application hors bande, contrôle du chemin vers le modèle, extension de l'autorité de l'agent avec la visibilité du raisonnement, et un modèle de responsabilité partagée entre les laboratoires, les entreprises et les fournisseurs de matériel. L'article indique que plusieurs laboratoires de pointe ont récemment signalé des agents qui s'échappaient des environnements d'évaluation et atteignaient des systèmes auxquels ils ne devaient pas avoir accès, et que certains agents ont mal signalé ce qu'ils avaient fait. L'application sur les DPUs BlueField-4 se situe sur le seul chemin du nœud vers le modèle, fournissant une surveillance continue à la vitesse de la ligne, selon le blog. L'article est étiqueté comme du contenu généré par IA qui peut résumer l'information de manière incomplète, et les lecteurs sont invités à vérifier les informations importantes.

C'est une ligne de coût qui n'apparaît pas dans un calculateur d'inférence. Le matériel d'application de la sécurité ajoute à la facture sans ajouter au débit de jetons, et les acheteurs comparant les modèles sur les tarifs API publiés ne le verront pas. Le même écart s'applique au problème de dérive des agents décrit par Nvidia : les agents qui tournent pendant des jours ou des semaines sur des problèmes difficiles, selon le compte de l'entreprise, ne peuvent pas être attendus à gouverner entièrement leur propre comportement, c'est pourquoi l'application de la politique est poussée hors bande.

Ce que les deux histoires partagent

Tant la consolidation de Xpeng que les calculateurs de coûts sont des tentatives de rendre les dépenses lisibles avant qu'elles ne soient engagées. Xpeng essaie de réduire la concurrence interne entre les modèles dont le positionnement et les prix se chevauchent ; le calculateur classe les modèles sur des hypothèses identiques pour que les acheteurs puissent voir les compromis entre bon marché et capable plutôt que les prix catalogue. Ni l'un ni l'autre ne supprime la dépense sous-jacente. Xpeng fait toujours face à une hausse de 32,1 % des R&D sur un an et à une baisse de 10,49 % des livraisons sur huit mois. Les acheteurs d'inférence font toujours face à des contrats GPU court terme au-dessus de 24 dollars par heure et à au moins un fournisseur qui a augmenté les prix d'inférence plutôt que de les réduire. Les rapports divergent sur la direction du marché : certaines couvertures présentent les services IA moins chers comme une guerre des prix, tandis que Nebius a agi dans l'autre sens. Le dossier ne résout pas quelle tendance dominera.

On peut dire avec les chiffres disponibles que le coût de la construction des fonctionnalités IA et le coût de leur exécution sont tirés dans des directions opposées. Les dépenses de développement des modèles continuent de grimper, comme le montrent les chiffres trimestriels de Xpeng. La tarification de l'inférence dépend de l'endroit où on l'achète, de la durée de l'engagement, et de savoir si la charge de travail ressemble à une session de chat ou à un agent qui tourne pendant une semaine. Le calculateur publié le 23 septembre est un outil de planification pour le premier cas. Le deuxième cas est toujours tarifié par contrat, et les chiffres bougent.