Où va la valeur de l'IA ? Trois signaux de commoditisation que les dirigeants doivent lire avant les marchés

Par Paul-Antoine TUAL — AI Transformation Leader, Croissance et Transitions — Juin 2026.

Posture. Ce qui suit n’était pas vrai il y a une semaine : le lancement de Gemma 4 12B, le 3 juin 2026, a déplacé la frontière de ce qui tourne sur une machine personnelle. On débat beaucoup de savoir si l’IA est une bulle. C’est la mauvaise question. La bonne question, pour un dirigeant comme pour un investisseur, est : dans quelle couche de la chaîne de valeur la valeur est-elle en train de migrer ? Trois signaux de 2026 — le rattrapage des modèles ouverts, la suffisance des modèles compacts locaux, et le clonage en une nuit de la couche logicielle — dessinent une réponse cohérente. Elle ne condamne pas l’IA ; elle condamne certaines valorisations. Et elle indique précisément où une PME doit investir.

1. Premier signal : un modèle ouvert dépasse un modèle phare propriétaire

Le 7 avril 2026, Z.ai a publié GLM-5.1 — modèle open-weight sous licence MIT (MoE de 754 Md de paramètres, 40 Md actifs par token, contexte 202 752 tokens, exécution autonome jusqu’à 8 h) [1]. Il a pris la tête du classement SWE-Bench Pro avec 58,4 %, devant GPT-5.4 (57,7 %), Claude Opus 4.6 (54,2–57,3 % selon le harness) et Gemini 3.1 Pro (54,2 %) [1][2]. Sur Terminal-Bench 2.0, il devance également Gemini 3.1 Pro (63,5 % vs 56,9 %) et il est le premier open-weight de l’histoire dans le top 3 de Code Arena [2]. Sur le coding et l’agentique — précisément les deux usages qui portent la transformation IA des entreprises — un modèle téléchargeable gratuitement fait donc jeu égal, voire mieux, que les modèles phares facturés à l’usage.

La nuance qui évite le sensationnalisme : Claude Opus 4.6 conserve la tête sur Terminal-Bench 2.0 (68,5 %) et les propriétaires dominent encore le raisonnement abstrait pur (GPQA Diamond : 94,3 % vs 86,2 %) [2]. Epoch AI mesure le retard moyen des meilleurs open-weight à 3-4 mois sur les modèles frontière [3]. La frontière n’a pas disparu ; elle s’est réduite à quelques points, sur quelques benchmarks, pour quelques mois d’avance — imperceptible pour 95 % des cas d’usage d’entreprise.

Mais l’économie, elle, a déjà basculé. Le prix d’une performance donnée s’effondre : Epoch AI mesure une division du prix par 40 par an pour atteindre le niveau GPT-4 sur des questions scientifiques de niveau doctorat [3] ; l’API de Gemini 3.1 Flash coûte 0,10 $/M tokens en entrée là où GPT-4 coûtait 30 $ en 2023, soit ~99,7 % de baisse en trois ans [4] ; Gartner prévoit que l’inférence d’un modèle à 1 000 milliards de paramètres coûtera 90 % de moins en 2030 qu’en 2025 [5].

Conclusion intermédiaire : quand le sous-jacent (le modèle) rattrape le propriétaire en qualité et tend vers le coût marginal du calcul, la rente du modèle seul s’évapore. Ce qui se vend encore cher, c’est l’avance de quelques mois — un actif qui se déprécie à la vitesse des releases.

2. Deuxième signal : le modèle compact local suffit pour l’essentiel des tâches agentiques

Ce signal est tout récent : il date du lancement de Gemma 4 12B le 3 juin 2026, quatre jours avant l’écriture de ces lignes. Grâce à son architecture unifiée sans encodeur, Gemma 4 12B tourne intégralement en local sur une machine à 16 Go de RAM — un laptop professionnel standard — avec un contexte de 256 000 tokens et de l’audio/vision natifs [6][7]. Ses performances agentiques sont sérieuses : 69,0 % sur tau2-bench (simulation d’agent en environnement d’entreprise réel), contre 76,9 % pour son grand frère 31B — et le 12B dépasse l’ancien Gemma 3 27B, deux fois plus lourd, sur la vision documentaire et le raisonnement [7]. Google documente explicitement les « workflows agentiques locaux » sur laptop [8].

La lecture stratégique compte autant que la prouesse technique. En publiant gratuitement un modèle local qui couvre l’essentiel des usages agentiques, Google applique le vieux principe « commoditize your complement » formulé par son propre économiste en chef, Hal Varian : il cannibalise délibérément la couche modèle — celle dont les laboratoires sans autre source de revenu tirent leur rente — parce que sa propre valeur est ailleurs : distribution, cloud, matériel, publicité. Quand l’acteur le mieux doté du secteur décide que le modèle est un produit d’appel, la commoditisation n’est plus une dérive du marché ; c’est une stratégie assumée.

Combien de tâches d’entreprise cela couvre-t-il ? Le position paper de NVIDIA Research « Small Language Models are the Future of Agentic AI » estime que 80 à 90 % des invocations agentiques relèvent de la catégorie « un petit modèle suffit » — appels d’outils, raisonnement structuré, étapes orchestrées — pour un coût d’inférence 10 à 30 fois inférieur [9].

L’échelle de matériel 2026 (ordres de grandeur relevés) :

Besoin	Machine	Budget	Ce qui tourne
Agentique locale courante	Laptop / mini-PC 16 Go	< 1 000 €	Gemma 4 12B et équivalents quantizés
Agentique avancée + multimodal	Mac Studio 64 Go ou mini-PC AMD/Qualcomm 128 Go de mémoire unifiée	~2 000–3 500 €	Gemma 4 31B et au-delà
Modèle de classe frontier en local	Mac Studio 512 Go — option retirée du catalogue Apple en mars 2026 (pénurie DRAM) ; marché secondaire spéculatif ou cluster de machines 256 Go	> 12 000 € (estimation)	GLM-5.1 quantizé 8 bits

Deux lectures de ce tableau. D’abord, la nouvelle génération de mini-PC à mémoire unifiée (AMD Ryzen AI Max+ 128 Go entre ~2 400 et 3 200 $, contre 4 699 $ pour la station NVIDIA DGX Spark équivalente) fait chuter le coût du token local : à prix de marché, le ratio tokens générés par dollar investi penche nettement en faveur de ces machines banalisées [26]. Ensuite, la disparition du Mac Studio 512 Go illustre par l’absurde la thèse de cet article : courir après l’infrastructure frontier en local est devenu un jeu spéculatif — alors que la machine à 2 500 € qui couvre 80-90 % des usages, elle, reste en rayon.

Et la courbe continue de descendre grâce aux innovations de quantization : TurboQuant (Google Research, présenté à ICLR 2026) combine rotation aléatoire des vecteurs, quantization agressive et correction résiduelle 1 bit pour diviser par 3,2 l’empreinte mémoire des poids — avec, en configuration 4 bits + résidu 8 bits, une perte de perplexité strictement nulle par rapport au modèle 16 bits [10][11]. Des modèles qui exigeaient un cluster de GPU datacenter tournent désormais sur du matériel grand public ou semi-professionnel [11]. La quantization ne grignote pas la commoditisation de l’inférence : elle l’accélère structurellement, en déplaçant la frontière datacenter/local d’un cran tous les six mois.

Le contre-courant à ne pas occulter : le coût de la mémoire. Il serait malhonnête de présenter la bascule locale comme un long fleuve tranquille. La crise n’est pas un accident d’usine, c’est un choix stratégique : pour servir la demande de puces IA des datacenters, Samsung, SK Hynix et Micron ont converti la majorité de leurs lignes vers la HBM (haute marge), sacrifiant la DRAM classique de nos PC, serveurs et Mac. Résultat mesuré par TrendForce : contrats DRAM +90-95 % au T1 2026, puis +58-63 % au T2 (NAND : +70-75 %), les hyperscalers verrouillant l’offre par des contrats long terme [23]. Gartner anticipe une hausse cumulée pouvant atteindre 130 % sur l’année [24], et aucune détente n’est attendue avant la montée en volume des nouvelles usines — fin 2027 au plus tôt, retour aux standards de prix 2024 plutôt vers 2028 [23][25]. C’est cette pénurie qui a poussé Apple à retirer le Mac Studio 512 Go de son catalogue plutôt que d’afficher des prix absurdes [26].

La conséquence pratique pour un dirigeant tient en deux lignes. Besoins standards (16-64 Go) : acheter malgré la hausse — un surcoût de l’ordre de 100-150 € reste marginal face au gain de productivité des modèles compacts, et cette hausse frappe le matériel neuf, pas les prix des API cloud qui continuent de s’effondrer. Besoins massifs (128 Go et au-delà) : attendre ou louer — le segment est en surchauffe spéculative ; mieux vaut consommer du token en API pendant les 12-18 prochains mois que surpayer une infrastructure physique appelée à se déprécier fortement quand l’offre se détendra vers 2028. L’arbitrage local/cloud se fait donc usage par usage. Et la quantization compense partiellement la hausse en divisant le besoin mémoire à qualité quasi égale. Dernier point de vigilance : l’auto-hébergement suppose des compétences d’ingénierie que beaucoup de PME n’ont pas encore en interne — c’est précisément là que se loge la valeur de l’accompagnement (section 5).

Ce qui justifie encore une infrastructure lourde : le raisonnement frontier longue durée, le temps réel à grande échelle (voix, vidéo, trading), les contextes très longs, l’entraînement. C’est réel — mais ce sont des usages de pointe, pas le quotidien de 99 % des PME et ETI. Pour la majorité des entreprises, l’infrastructure IA pertinente tient dans un budget de poste de travail, pas dans un contrat datacenter.

3. Troisième signal : la couche logicielle s’est clonée en une nuit

Le 31 mars 2026, un fichier .map publié par erreur dans le paquet npm de Claude Code a exposé l’architecture interne complète de l’agent de coding d’Anthropic (512 000 lignes, 1 906 fichiers) [12]. En quelques heures, la communauté open-source en a produit une réimplémentation propre (Claw Code, Python/Rust, sans copier une ligne de code propriétaire), qui a atteint 100 000 étoiles GitHub en 24 heures — record absolu de la plateforme [12][13].

La leçon dépasse l’anecdote : la couche logicielle qui entoure le modèle (le « harness » : boucle agentique, outils, permissions) est architecturalement transparente. Sa protection par le secret ou la propriété intellectuelle est très délicate ; sa réplication coûte une nuit de travail à une communauté motivée. Ce qui reste défendable dans cette couche : la distribution installée, la marque, la confiance, le rythme de release, les intégrations profondes — c’est-à-dire des actifs commerciaux, pas du code.

4. Conséquence : les laboratoires deviennent-ils de simples loueurs de calcul ?

Si le modèle se commoditise (signal 1), si l’inférence descend sur le poste de travail (signal 2) et si le logiciel se clone (signal 3), que reste-t-il aux laboratoires ? La tentation est de répondre : la location de puissance de calcul — un métier de télécom, à rendements comprimés par la guerre des prix.

Les chiffres 2026 dessinent déjà cette économie de télécom. Anthropic a franchi 30 Md$ de revenus annualisés en avril 2026 et dépassé OpenAI (~25 Md$) — mais l’abonnement grand public plafonne, avec une marge opérationnelle non-GAAP de -122 % chez OpenAI au T1 2026 [14] : la croissance vient de l’API d’entreprise, c’est-à-dire de la vente de tokens au volume — littéralement de la location de calcul cognitif. Et la réalité est plus inconfortable encore : la plupart des laboratoires ne possèdent même pas le calcul qu’ils loueraient. Ils le louent eux-mêmes aux hyperscalers et aux fabricants de puces, souvent via des montages circulaires — l’accord Nvidia-OpenAI représenterait ~13 % des revenus projetés de Nvidia en 2026 [15] — qui rappellent le vendor financing des télécoms de la fin des années 1990. Le capex 2026 des hyperscalers (~725 Md$, dont 180-190 Md$ pour le seul Alphabet, soit plus de 3 % du PIB américain selon Goldman Sachs) [15], le « trou » de revenus applicatifs (plus de 500 Md$ nécessaires pour justifier ~1 000 Md$ d’infrastructures, selon Sequoia et Goldman) [15], et l’étude NBER de février 2026 (sur ~6 000 cadres : 90 % ne mesurent aucun impact de l’IA sur la productivité de leur entreprise en trois ans, pour un usage moyen de 1,5 h/semaine) [16] disent la même chose : les valorisations actuelles des couches modèle et application supposent une rente que les trois signaux ci-dessus sont en train de dissoudre.

Les contre-arguments des laboratoires existent et méritent d’être pris au sérieux : intégration verticale dans des produits (l’avance se vend en produit, pas en API), données d’usage, marque grand public, relations entreprise. Mais chacun de ces actifs relève de la distribution et du service — pas du modèle.

Et il y a un aveu plus explicite encore : les laboratoires et leurs alliés lancent eux-mêmes des cabinets de conseil. L’alliance IBM-Google Cloud du 4 juin 2026 mobilise des milliers de consultants autour de Gemini Enterprise [18] ; les éditeurs de modèles développent leurs branches d’intégration et de déploiement chez le client. Un vendeur de modèles qui embauche des consultants — métier à marge de service, là où l’API promettait une marge logicielle — reconnaît trois choses : que le modèle seul ne se vend plus assez cher, que la valeur est dans le dernier kilomètre qu’il ne contrôlait pas, et que la thèse de la migration est juste. Quand le vendeur descend la chaîne vers l’aval, c’est que la rente de sa couche d’origine s’érode.

5. Où la valeur se réfugie

La grille est désormais lisible, couche par couche :

Couche	Tendance de valeur	Pourquoi
Semi-conducteurs, énergie, foncier datacenter	Soutenue mais cyclique	Rareté physique réelle ; risque de surcapacité
Modèles (laboratoires)	En compression	Open-weight + chute des prix d’inférence
Couche logicielle / agents	En compression rapide	Clonable en heures ; pas de protection durable
Données propriétaires vivantes	En hausse	Coût opérationnel continu, non réplicable par le code
Agréments, conformité, distribution	En hausse	Barrières administratives et contractuelles
Intégration workflow + accompagnement humain	En forte hausse	Le service EST le produit ; Infosys chiffre l’opportunité services IA à 300–400 Md$ d’ici 2030 [17] ; IBM et Google Cloud s’allient le 4 juin 2026 précisément sur « l’expertise humaine à l’échelle » [18] ; en France, l’IA pèse déjà plus de 11 % des prises de commandes de Capgemini au T1 2026 [19]

L’accompagnement humain n’est donc pas « ce qui reste » par défaut : c’est la couche vers laquelle tous les acteurs rationnels convergent, laboratoires compris. Pour une PME, la conséquence est directe : la dépense IA pérenne n’est ni la licence du modèle ni l’outil du moment — c’est la méthode, les données gouvernées et les compétences internes. Exactement la thèse de la Méthode Junyr™ : structurer l’organisation pour absorber des modèles et des outils devenus interchangeables, plutôt qu’épouser un fournisseur.

Trois questions à poser dès lundi matin. 1. Quelle part de nos usages IA exige réellement un modèle frontier facturé à l’usage — et quelle part tournerait sur une machine à 2 500 € ? 2. Si notre outil IA principal disparaissait ou décuplait son prix demain, que perdrions-nous : du code (remplaçable) ou des données et des compétences (les nôtres) ? 3. Notre budget IA finance-t-il des rentes de fournisseurs en voie de commoditisation, ou des actifs internes qui s’apprécient ?

6. Ce que cela dit des valorisations — sans catastrophisme

Faut-il en conclure à l’« explosion » prochaine ? Non : les travaux multi-méthodes récents [20] et l’analyse par couches [21] convergent vers un diagnostic plus utile — il n’y a pas une bulle, il y a des couches surévaluées et des couches soutenables, avec des horizons de correction différents. La concentration des indices et un Shiller P/E à 42,3 — tout près du record de 44,2 de l’an 2000 — rendent la correction des couches fragiles douloureuse pour tous : le 3 juin 2026, Broadcom a perdu 15 % et 280 Md$ de capitalisation en une séance pour une prévision à peine inférieure aux attentes [22]. Cela ne change pas la direction de la migration. Le dirigeant n’a pas à prédire la date ; il a à se positionner du bon côté de la migration. C’est un calendrier de décisions, pas une alarme.

En pratique

Croissance et Transitions accompagne les dirigeants de PME et d’ETI pour se positionner du bon côté de cette migration : diagnostic de maturité (Méthode Junyr™), arbitrage local/cloud usage par usage, gouvernance des données propriétaires et montée en compétences des équipes — les actifs qui s’apprécient quand modèles et outils se banalisent.

→ Diagnostic IA Express — 90 minutes en visio. croissance-transitions.fr

Paul-Antoine TUAL — AI Transformation Leader · Croissance et Transitions (SAS) · Méthode Junyr™

FAQ

Un modèle open-source est-il vraiment au niveau des modèles propriétaires en 2026 ? Sur le coding et l’agentique, oui pour certains benchmarks : GLM-5.1 (licence MIT) dépasse Gemini 3.1 Pro sur SWE-Bench Pro (58,4 % vs 54,2 %) et sur Terminal-Bench 2.0 (63,5 % vs 56,9 %). Les modèles propriétaires conservent une avance sur d’autres composites — une avance qui se compte en points et en mois, plus en ordres de grandeur.

Une PME a-t-elle besoin d’une infrastructure cloud lourde pour l’IA agentique ? Dans 80 à 90 % des invocations agentiques (estimation NVIDIA Research), un modèle compact suffit — et tourne en local dès 16 Go de RAM (Gemma 4 12B), ou sur un Mac Studio 64 Go (~2 500 €) pour la version 31B.

Qu’est-ce que la quantization change pour une PME ? Des techniques comme TurboQuant (Google Research, ICLR 2026) divisent par ~3,2 l’empreinte mémoire des modèles avec une perte de qualité nulle à marginale : des modèles autrefois réservés aux clusters tournent sur du matériel semi-professionnel. La frontière datacenter/local descend en continu.

La couche logicielle des agents IA est-elle protégeable ? Faiblement : l’architecture de Claude Code, exposée par erreur en mars 2026, a été réimplémentée en open-source en une nuit (Claw Code, 100 000 étoiles GitHub en 24 h). La défense durable est commerciale (distribution, confiance, intégrations), pas technique.

Où investir son budget IA en 2026 ? Dans les couches qui s’apprécient : données propriétaires gouvernées, conformité, intégration aux workflows et compétences internes — pas dans des rentes de modèles ou d’outils en voie de commoditisation.

Sources

[1] Z.ai — GLM-5.1: Towards Long-Horizon Tasks (7 avril 2026). https://z.ai/blog/glm-5.1 · Documentation : https://docs.z.ai/guides/llm/glm-5.1

[2] DeepInfra — GLM-5.1 Model Overview (SWE-Bench Pro / Terminal-Bench 2.0 / Code Arena). https://deepinfra.com/blog/glm-5-1-model-overview · Artificial Analysis — GLM-5.1 vs Gemini 3.1 Pro. https://artificialanalysis.ai

[3] Epoch AI — Open-weight models lag state-of-the-art by around 3 months on average. https://epoch.ai/data-insights/open-closed-eci-gap · LLM inference price trends. https://epoch.ai/data-insights/llm-inference-price-trends

[4] AI Magicx — The LLM Pricing Collapse of 2026. https://www.aimagicx.com/blog/llm-pricing-collapse-developer-guide-building-cheap-ai-2026

[5] Gartner — By 2030, Performing Inference on an LLM With 1 Trillion Parameters Will Cost Over 90% Less Than in 2025 (25 mars 2026). https://www.gartner.com/en/newsroom/press-releases/2026-03-25-gartner-predicts-that-by-2030-performing-inference-on-an-llm-with-1-trillion-parameters-will-cost-genai-providers-over-90-percent-less-than-in-2025

[6] Google — Introducing Gemma 4 12B: a unified, encoder-free multimodal model (3 juin 2026). https://blog.google/innovation-and-ai/technology/developers-tools/introducing-gemma-4-12b/

[7] Sierra Research — τ²-bench. https://taubench.com/ · VentureBeat — Gemma 4 12B runs entirely locally on a typical 16GB enterprise laptop. https://venturebeat.com

[8] Google Developers Blog — Bringing Gemma 4 12B to your Laptop: Unlocking Local, Agentic Workflows. https://developers.googleblog.com/bringing-gemma-4-12b-to-your-laptop-unlocking-local-agentic-workflows-with-google-ai-edge/

[9] NVIDIA Research — Small Language Models are the Future of Agentic AI (arXiv:2506.02153). https://arxiv.org/abs/2506.02153

[10] Google Research — TurboQuant: Redefining AI efficiency with extreme compression (ICLR 2026). https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/ · https://arxiv.org/abs/2504.19874

[11] AI Indigo — TurboQuant Explained: How This New Compression Method Changes Local LLM Inference. https://aiindigo.com/blog/turboquant-explained-how-this-new-compression-method-changes-local-llm-inference

[12] Zscaler ThreatLabz — Anthropic Claude Code Leak. https://www.zscaler.com/blogs/security-research/anthropic-claude-code-leak

[13] GitHub — claw-code (ultraworkers). https://github.com/ultraworkers/claw-code · Cybernews — Leaked Claude Code source spawns GitHub’s fastest repo. https://cybernews.com

[14] SaaStr — Anthropic Just Passed OpenAI in Revenue. https://www.saastr.com · Medium — Anthropic just passed OpenAI in revenue. Here is why it matters. https://medium.com/@david.j.sea/anthropic-just-passed-openai-in-revenue-here-is-why-it-matters-e3dd9bb04069

[15] Allianz Research — AI capex cycle: war-proof for now (25 mars 2026). https://www.allianz.com · Goldman Sachs — AI: In a Bubble? https://www.goldmansachs.com · IDC — Circular financing has muddied the AI story. https://www.idc.com/resource-center/blog/circular-financing-has-muddied-the-ai-story-watch-the-application-layer-instead/

[16] NBER — Firm Data on AI (Working Paper w34836, février 2026). https://www.nber.org/papers/w34836 · NBER w34851 — Does Generative AI Narrow Education-Based Productivity Gaps? https://www.nber.org

[17] Infosys — AI First Value Framework: AI Services Opportunity of Over $300 Billion. https://www.infosys.com/newsroom/press-releases/2026/unveils-ai-first-value-framework.html

[18] IBM — IBM and Google Cloud Announce Strategic Partnership to Scale AI with Human Expertise (4 juin 2026). https://newsroom.ibm.com/2026-06-04-ibm-and-google-cloud-announce-strategic-partnership-to-scale-ai-with-human-expertise-and-ai-powered-delivery

[19] Capgemini Investors — Q1 2026 revenues. https://investors.capgemini.com

[20] arXiv — Boom, Bubble, or Buildout? A Multi-Method Evaluation (2606.01575). https://arxiv.org/html/2606.01575

[21] VentureBeat — Stop calling it ‘The AI bubble’: It’s actually multiple bubbles. https://venturebeat.com/infrastructure/stop-calling-it-the-ai-bubble-its-actually-multiple-bubbles-each-with-a

[22] TradingKey — S&P 500 valuation, Shiller P/E 42.32, Broadcom -15 %. https://www.tradingkey.com/analysis/stocks/us-stocks/261950917-sp500-valuation-bubble-ai-concentration-shiller-pe-buffett-indicator-fed-hawkish-yield-market-nifty-fifty-strategy-tradingkey

[23] TrendForce — AI Server Demand to Drive Memory Contract Price Increases in 2Q26 (31 mars 2026). https://www.trendforce.com/presscenter/news/20260331-12995.html · Tom’s Hardware — DRAM prices predicted to jump 63% in Q2, NAND up to 75%. https://www.tomshardware.com/pc-components/dram/dram-and-nand-contract-prices-to-climb-again-in-q2

[24] TechTimes — RAM Prices 2026: Gartner Forecasts 130% Memory Cost Surge (5 juin 2026). https://www.techtimes.com/articles/317872/20260605/ram-prices-2026-buy-now-wait-gartner-forecasts-130-memory-cost-surge.htm

[25] SaaS Sentinel — RAM Shortage Could Last Until 2028 as AI Demand Reshapes Memory Markets (avril 2026). https://saassentinel.com/2026/04/19/ram-shortage-could-last-until-2028-as-ai-demand-reshapes-memory-markets/

[26] Tom’s Hardware — Apple pulls 512GB Mac Studio upgrade option. https://www.tomshardware.com/tech-industry/apple-pulls-512-mac-studio-upgrade-option · MacRumors (5 mars 2026). https://www.macrumors.com/2026/03/05/mac-studio-no-512gb-ram-upgrade/ · TechSpot — AMD Ryzen AI Halo mini PC, 128GB, vs DGX Spark. https://www.techspot.com/news/112287-amd-ryzen-ai-halo-mini-pc-coming-june.html · Liliputing — Ryzen AI Max+ mini PCs with 128GB. https://liliputing.com/more-ryzen-ai-max-395-mini-pcs-with-128gb-are-now-available-if-you-can-afford-one/