Les coûts de l'IA divisés par 100, mais les factures s'envolent

Moins cher à produire, mais plus coûteux que jamais à exploiter : bienvenue dans l'économie paradoxale de l'IA.

En trois ans, le coût de traitement d'un million de tokens par un grand modèle de langage a été divisé par près de 100. Pourtant, les budgets IA des entreprises ne font qu'exploser, et les géants technologiques dépensent des centaines de milliards de dollars en infrastructure. Comment un produit qui devient de moins en moins cher à fabriquer peut-il coûter de plus en plus cher à maintenir ? C'est le paradoxe au cœur de la course aux modèles — et il en dit long sur la direction que prend réellement l'industrie.

Une chute des coûts sans précédent dans l'histoire du logiciel

Les chiffres donnent le vertige. En 2023, faire tourner GPT-4 coûtait environ 60 dollars par million de tokens en sortie. Début 2025, des modèles comparables — voire supérieurs sur certains benchmarks — tournent à moins d'un dollar. Claude 3.5 Haiku d'Anthropic, Gemini Flash de Google, ou encore les modèles open source comme Llama 3 de Meta permettent aujourd'hui de traiter d'immenses volumes de texte pour une fraction du prix d'il y a dix-huit mois.

Cette compression tarifaire n'est pas accidentelle. Elle résulte de plusieurs facteurs combinés :

• L'optimisation des architectures : les modèles sont mieux entraînés, plus efficaces, moins gourmands en calcul pour un résultat équivalent.
• La concurrence frontale : OpenAI, Google, Anthropic, Mistral et Meta se livrent une guerre de prix ouverte pour capter les développeurs.
• Les gains matériels : les nouvelles générations de puces (H100, B200, TPU v5) offrent un meilleur rapport performance/coût à chaque cycle.

Sur le papier, c'est une excellente nouvelle pour les utilisateurs finaux. En pratique, c'est là que le paradoxe commence.

La loi de Jevons frappe à nouveau

Au XIXe siècle, l'économiste William Stanley Jevons observait que l'amélioration de l'efficacité des moteurs à vapeur n'avait pas réduit la consommation de charbon — elle l'avait multipliée. Quand quelque chose coûte moins cher, on en consomme davantage. Ce principe, connu sous le nom de paradoxe de Jevons, s'applique aujourd'hui avec une précision chirurgicale à l'intelligence artificielle.

Les développeurs qui hésitaient à appeler l'API GPT-4 à chaque interaction utilisateur — trop cher — l'intègrent désormais partout. Les entreprises qui testaient l'IA sur un département pilote la déploient à l'échelle de l'organisation entière. Les fonctionnalités IA qui étaient réservées aux offres premium arrivent dans les plans gratuits. La demande croît plus vite que la baisse des coûts unitaires.

Résultat : les dépenses globales en infrastructure cloud dédiée à l'IA continuent d'exploser. Microsoft a annoncé 80 milliards de dollars d'investissements en data centers pour la seule année 2025. Google et Amazon ne sont pas en reste, avec des engagements similaires. Ces chiffres ne reflètent pas un marché qui devient plus accessible — ils reflètent un marché dont l'appétit devient insatiable.

Le vrai gouffre : l'entraînement des modèles frontière

Il faut distinguer deux économies très différentes dans l'écosystème IA.

La première concerne l'inférence — faire tourner un modèle existant pour répondre à une requête. C'est là que les coûts ont chuté dramatiquement, profitant aux utilisateurs et aux développeurs d'applications.

La seconde concerne l'entraînement des modèles frontière — créer le prochain GPT-5, le prochain Claude 4, le prochain Gemini Ultra. Et là, la tendance est exactement inverse. GPT-4 aurait coûté environ 100 millions de dollars à entraîner. Les estimations pour les modèles de la prochaine génération parlent de plusieurs milliards de dollars par run d'entraînement. Plus les modèles sont ambitieux, plus leur entraînement est coûteux — et la compétition pousse chaque acteur à viser toujours plus haut.

Ce n'est donc pas que l'IA devient moins chère. C'est que le coût se déplace : des utilisateurs vers les laboratoires, de l'usage quotidien vers la recherche de pointe.

Quelles implications pour les entreprises ?

Pour les professionnels qui intègrent l'IA dans leurs produits ou processus, ce paradoxe a des conséquences très concrètes :

• Le choix du modèle est devenu stratégique. Utiliser Claude Opus pour chaque micro-tâche quand Haiku suffit, c'est payer dix fois plus sans bénéfice mesurable.
• La gouvernance des usages devient critique. Sans contrôle, les équipes sur-consomment l'IA par réflexe, non par nécessité.
• La dépendance aux fournisseurs s'accentue. À mesure que les modèles deviennent moins chers et omniprésents, les switching costs augmentent. Changer de fournisseur en 2025 est bien plus complexe qu'en 2023.

Un équilibre instable qui ne peut pas durer

La course actuelle repose sur un pari : les modèles toujours plus puissants généreront des revenus toujours plus importants, justifiant les investissements colossaux d'aujourd'hui. Mais cet équilibre est fragile. Si la monétisation ne suit pas — et pour l'instant, peu de laboratoires sont rentables — la consolidation du secteur devient inévitable.

Les coûts de l'IA baissent, c'est vrai. Mais ce n'est pas une victoire universelle. C'est le signe d'une industrie qui accélère si vite qu'elle crée ses propres contradictions. Moins cher pour vous. Toujours plus cher pour eux. Et une facture globale qui, elle, ne fait que grimper.

— Reservoir Live