Le prix des services d’Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. diminue à une vitesse que peu d’observateurs anticipaient. Cette évolution profite aux utilisateurs, mais elle pose un problème de rentabilité pour les acteurs qui misent des milliards dans les modèles et les infrastructures.

Une chute vertigineuse des tarifs

Une étude publiée en septembre par Epoch AI montre que le coût nécessaire pour atteindre un niveau de performance donné a été divisé en moyenne par 13 chaque année depuis 2023. Sur certaines tâches, l’écart atteint même un facteur 725. L’exemple le plus parlant provient du test GPQA Diamond, un examen de connaissances scientifiques de niveau doctorat. Au printemps 2025, le modèle o3 d’OpenAI dépensait environ 0,30 $ par question pour obtenir 75 % de bonnes réponses. Moins de dix‑huit mois plus tard, le modèle GPTFamille de modèles génératifs préentraînés reposant sur l'architecture Transformer, notamment utilisés pour produire du texte.‑5.6 Luna atteignait un résultat comparable pour seulement 0,0004 $ par question.

Il est important de préciser que ces chiffres concernent le coût d’utilisation des modèles sur des tests précis, et non les abonnements à ChatGPT ou les dépenses liées à l’TrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances. des IA.

Optimisations techniques à l’œuvre

Cette baisse s’explique en grande partie par des avancées d’optimisation. La QuantificationTechnique réduisant la précision numérique des paramètres ou des calculs d'un modèle afin de diminuer les ressources nécessaires. réduit les besoins en mémoire des réseaux, tandis que la DistillationTechnique permettant d'entraîner un modèle à reproduire certaines capacités ou sorties d'un autre modèle. permet à des versions plus compactes de reproduire les capacités de modèles beaucoup plus imposants. Moins de puissance de calcul est alors nécessaire pour fournir une réponse, ce qui se traduit directement par une réduction des coûts d’InférencePhase durant laquelle un modèle entraîné utilise ses paramètres pour produire une prédiction ou une réponse à partir de nouvelles données..

Le défi des investissements massifs

Alors que les tarifs d’utilisation s’effondrent, les dépenses d’infrastructure continuent de grimper. Alphabet, par exemple, prévoit entre 195 et 205 milliards de dollars d’investissements en 2026, principalement pour développer ses centres de données et ses capacités informatiques. Les coûts d’acquisition des serveurs, des GPUProcesseur conçu pour effectuer de nombreux calculs en parallèle, notamment utilisé pour entraîner et exécuter des modèles d'IA., de la mémoire, ainsi que les dépenses d’alimentation, de refroidissement et d’entretien, restent élevés. De plus, la rapidité d’obsolescence des puces crée un risque supplémentaire : les générations suivantes peuvent rendre les équipements actuels moins compétitifs avant même qu’ils ne soient amortis.

Une nouvelle dynamique du marché

Pour les fournisseurs d’IA, la pression se fait sentir. Traduction, analyse de documents ou assistance à la programmation, qui étaient autrefois des services coûteux, deviennent désormais accessibles à grande échelle. Certaines applications, jugées trop gourmandes en ressources, peuvent enfin être proposées à un large public.

Cependant, le développement d’agents IA autonomes complique le tableau. Contrairement à un chatbot classique, ces assistants déclenchent plusieurs requêtes pour accomplir une seule tâche. Gartner estime que le coût d’inférence d’un processus reposant sur des agents pourrait être multiplié par plus de cinq d’ici 2028, malgré les gains d’efficacité des modèles. Cette évolution pourrait remettre en cause les marges des acteurs qui misent massivement sur les services d’IA.

Perspectives d’avenir

L’enjeu pour les entreprises du secteur est de faire croître l’usage suffisamment vite pour compenser la chute des prix unitaires. La concurrence tarifaire s’intensifie, et la capacité à monétiser de nouveaux cas d’usage deviendra le principal différenciateur. En parallèle, les fournisseurs devront continuer d’investir dans l’optimisation logicielle et matérielle pour rester compétitifs.

Au final, la baisse des coûts ouvre la porte à une démocratisation des capacités IA, mais elle impose aux acteurs du marché de repenser leurs modèles économiques afin de TransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. ces économies de scale en profits durables.