L’IA devient moins chère : la puissance ne suffit plus à gagner le marché

Ces résultats ne signifient pas que toutes les tâches deviennent aussi bon marché. Les benchmarks ne reproduisent pas parfaitement les conditions de travail réelles et les gains varient selon les capacités évaluées. Mais la tendance est claire : pour certaines tâches, obtenir un niveau donné d’intelligence coûte beaucoup moins cher qu’auparavant.

Les modèles les plus performants perdent du terrain

Cette baisse des coûts modifie les choix des développeurs.

Selon une analyse publiée par The Information le 12 octobre 2026, la part des dix modèles les mieux notés dans le trafic d’OpenRouter est passée de 55 % au premier trimestre 2025 à 14 % au troisième trimestre 2026. Parallèlement, un avantage de dix points sur l’Artificial Analysis Intelligence Index, qui était associé à environ 69 % de trafic supplémentaire fin 2025, n’en procure plus qu’environ 20 % en 2026.

La logique économique est simple : pourquoi payer davantage pour un modèle de pointe lorsqu’une solution moins chère fournit un résultat suffisamment bon ?

La concurrence renforce cette tendance. Les modèles à poids ouverts (open-weight) permettent aux entreprises de télécharger les paramètres du modèle et, selon les conditions de licence, de le faire fonctionner sur leur propre infrastructure ou chez un hébergeur. Ils disposent ainsi d’alternatives aux API propriétaires, même si l’hébergement et la maintenance ont aussi un coût.

Attention toutefois : ces données ne représentent qu’une partie du marché. OpenRouter est une plateforme utilisée par des développeurs pour accéder à plusieurs modèles. Elle ne mesure pas intégralement les abonnements grand public ni les contrats d’entreprise conclus directement avec les fournisseurs. Une baisse de la part des tokens ne prouve donc pas une baisse équivalente des revenus ou des bénéfices des modèles premium.

Le véritable avantage : payer le bon prix pour chaque tâche

Pour les entreprises, la conséquence est concrète : elles n’ont plus nécessairement intérêt à utiliser un seul modèle pour toutes leurs opérations.

Une tâche simple, comme classer des demandes, extraire des informations ou résumer un document, peut être confiée à un modèle économique. Une opération complexe, nécessitant un raisonnement approfondi ou une grande fiabilité, peut être dirigée vers un modèle plus performant.

C’est le principe du routage multi-modèles : sélectionner le modèle le mieux adapté à chaque requête, plutôt que de payer systématiquement le plus cher.

L’exemple d’AT&T illustre cette approche. Selon les déclarations de son vice-président chargé de l’IA rapportées par The Information, les modèles à poids ouverts traitaient déjà 40 % des requêtes d’IA des employés, avec un objectif de 60 à 70 %. Le routage aurait également réduit le coût de certaines tâches avancées de programmation jusqu’à 56 %, pour une baisse de qualité d’environ 2 %. Ces chiffres sont déclaratifs et ne constituent pas une mesure généralisable à toutes les entreprises.

L’enjeu ne se limite donc plus au modèle lui-même. Il concerne aussi l’architecture logicielle, la sélection des outils, le contrôle des résultats et l’intégration dans les processus métier.

Des coûts en baisse, mais une demande en hausse

La baisse du prix unitaire ne garantit pas une baisse des dépenses totales.

Prenons un exemple fictif. Une entreprise traite un milliard de tokens par mois à 10 dollars le million, soit 10 000 dollars. Elle transfère 80 % du volume vers un modèle facturé 0,50 dollar le million. Sa facture tombe à 2 400 dollars, soit une économie de 76 %.

Mais si ces économies l’incitent à multiplier par cinq ses volumes de traitement, sa facture atteint 12 000 dollars.

C’est l’effet rebond : une ressource moins chère devient accessible à davantage d’usages, ce qui peut faire augmenter la consommation totale.

Les infrastructures bénéficient potentiellement de cette dynamique. Pour son deuxième trimestre fiscal 2027, Nvidia a annoncé 96,2 milliards de dollars de chiffre d’affaires, dont 89 milliards dans les centres de données, en hausse de 106 % sur un an.

Ces résultats confirment l’ampleur de la demande actuelle. Ils ne démontrent toutefois ni que la baisse du coût de l’IA en est la cause, ni que cette croissance sera durable.

Le point essentiel est ailleurs : la rentabilité dépendra de l’équilibre entre la diminution du coût par tâche et l’augmentation des volumes consommés.

Le risque : des investissements difficiles à rentabiliser

C’est ici que se situe le véritable enjeu économique. Les entreprises investissent des centaines de milliards de dollars dans les puces, les centres de données et le développement de modèles d’IA. Or, si les performances deviennent accessibles à moindre coût, les prix facturés aux clients risquent de baisser plus rapidement que les coûts nécessaires pour développer et exploiter ces infrastructures.

Les données récentes illustrent cette tension. Selon MTN Consulting, les dépenses d’investissement annualisées des grands fournisseurs de cloud ont atteint 701,5 milliards de dollars au deuxième trimestre 2026, en hausse de 75,3 % sur un an, contre une progression de 15,8 % de leurs revenus annualisés.

Ces investissements ne concernent pas uniquement l’IA. Ils montrent néanmoins que les capacités se développent beaucoup plus rapidement que les revenus. Il faudra que la demande future permette de rentabiliser les infrastructures installées.

Si les clients se tournent vers des modèles moins chers, les fournisseurs devront traiter davantage de requêtes pour générer les mêmes revenus. Et si les volumes ne progressent pas suffisamment, les infrastructures pourraient être sous-utilisées, tandis que les investissements mettraient plus longtemps que prévu à être amortis.

Cette pression ne signifie pas que le marché de l’IA va nécessairement ralentir. Elle signifie que sa croissance pourrait profiter davantage aux utilisateurs qu’aux entreprises qui fournissent la technologie. Un marché en expansion n’est pas automatiquement un marché rentable pour tous ses acteurs.

Qui gagnera, qui risque de perdre ?

La baisse des coûts ne désigne pas automatiquement des gagnants et des perdants. Elle modifie plutôt les conditions de leur réussite.

• Les laboratoires d’IA sont exposés à la baisse des prix si leurs modèles deviennent interchangeables. Ceux qui engagent des coûts élevés pour développer des modèles de pointe devront justifier leur surcoût par des performances réellement supérieures ou par des services que leurs concurrents ne peuvent pas facilement reproduire. À défaut, la croissance de leur utilisation pourrait ne pas se traduire par une rentabilité suffisante.
• Les fabricants de puces et les opérateurs de centres de données dépendent de la demande de calcul. Des modèles plus efficaces peuvent réduire les besoins en puissance pour une tâche donnée. Si cette amélioration dépasse la croissance des usages, certains investissements risquent de générer des rendements inférieurs aux attentes. À l’inverse, si la baisse des prix déclenche suffisamment de nouveaux usages, la demande totale de calcul peut continuer à augmenter.
• Les fournisseurs de cloud peuvent profiter de cette hausse des volumes, mais doivent aussi absorber le coût de leurs infrastructures. Leur rentabilité dépendra de leur capacité à maintenir une utilisation élevée de leurs équipements et à générer suffisamment de revenus pour couvrir leurs investissements.
• Les éditeurs de logiciels et les entreprises utilisatrices peuvent bénéficier directement de l’IA moins chère. Ils peuvent intégrer des modèles économiques dans leurs produits, automatiser davantage de tâches et réduire leurs coûts. L’avantage sera particulièrement important lorsque les gains de productivité dépasseront les dépenses d’intégration et de contrôle.

Un contre-argument demeure essentiel : les tâches complexes et les erreurs coûteuses peuvent justifier durablement le recours aux modèles les plus performants. Une faible part du trafic ne signifie pas nécessairement une faible part de la valeur économique.

Les quatre indicateurs à surveiller

Pour l’investisseur, la question n’est pas de savoir quel laboratoire a sorti le meilleur modèle cette semaine. Il faut déterminer quelles entreprises convertissent les progrès technologiques en revenus et en profits durables.

Quatre indicateurs méritent une attention particulière :

1. Le coût par tâche réussie. Un modèle moins cher mais moins fiable peut entraîner davantage de reprises, d’erreurs et de supervision. Le coût total du résultat compte davantage que le prix du token.
2. Les marges et les flux de trésorerie. La croissance du chiffre d’affaires ne garantit pas la rentabilité. Il faut rapprocher les revenus des coûts de calcul, de recherche et d’infrastructure, ainsi que des dépenses d’investissement.
3. Le retour sur investissement des clients. Les gains de productivité doivent être mesurés en temps économisé, en coûts évités ou en revenus supplémentaires, et non simplement déclarés.
4. La fidélité et la récurrence des revenus. Un fournisseur dont les clients peuvent facilement changer de modèle dispose potentiellement de moins de pouvoir de négociation. À l’inverse, un logiciel intégré aux processus critiques peut conserver un avantage durable, même si les modèles sous-jacents évoluent.

Conclusion : une IA en pleine croissance, mais pas nécessairement des profits pour tous

La baisse du coût de l’intelligence artificielle est une excellente nouvelle pour les entreprises qui l’utilisent. Elle peut aussi soutenir une croissance considérable des usages et de la demande de calcul. Mais elle rend plus difficile la rentabilisation des investissements réalisés par les fournisseurs lorsque les prix baissent plus vite que leurs coûts.

Les gagnants ne seront donc pas nécessairement ceux qui développent les modèles les plus performants ou construisent le plus de centres de données. Ce seront les acteurs capables de transformer une intelligence moins chère en revenus durables, tout en maîtrisant leurs coûts.

Le paradoxe de l’IA est là : elle peut devenir une technologie de plus en plus utile et répandue, tout en décevant les attentes de rentabilité de certaines entreprises qui financent son développement.

---