La guerre des prix de l’IA est un signal de structure du marché – la valeur a déjà quitté la couche de modèle.

La guerre des prix automatiques est un signal de structure du marché – la valeur a déjà quitté la couche de modèle.

Trois semaines après que OpenAI a lancé sa gamme GPT-5.6,Réduire le prix de son modèle le plus rapide de 80 %Et il y a une réduction de 20 % pour le deuxième niveau. Les médias présentent cela de la manière dont toutes les réductions de prix dans ce cycle sont présentées : les entreprises américaines se tournent vers des modèles chinois moins chers, et OpenAI réagit en conséquence. C’est vrai, mais l’explication est incorrecte – c’est une explication qui ne permet pas de comprendre d’où viennent les bénéfices liés à l’IA actuellement. De telles réductions de prix, à cette vitesse, ne sont pas une réaction aux tarifs des concurrents. Ce sont plutôt un signe de la structure du marché. Elles indiquent que la partie liée au modèle de l’IA a été commercialisée, et que la valeur dans ce cycle s’est déplacée vers la partie qui coûte plus cher pour faire fonctionner l’intelligence artificielle – et non vers celle qui la vend.

La courbe coût est l’histoire, pas la Chine.

La migration se poursuit depuis un an, et les réductions de prix sont simplement le moment où cela devient visible pour les clients. Le calcul de l’IA s’est divisé en deux marchés avec des économies très différentes : la formation du modèle, qui représente un coût unique et élevé ; et l’inférence, où le modèle entraîné répond à chaque demande. L’inférence est désormais le coût principal. D’ici 2025, elle représente plus de 60 % du coût total de calcul de l’IA. Le coût pour servir un million de tokens – les tokens étant les unités de texte que les modèles traitent et facturent – a également diminué.Plus de 25 fois en moins de 18 moisDepuis environ 2,50 dollars au début de 2025, le prix est tombé en dessous de 0,10 dollar d’ici la mi-2026. Aucun coût d’infrastructure dans l’histoire de l’informatique n’a vu une dépréciation aussi rapide à cette échelle. Cela signifie que le prix du matériel informatique est maintenant observable, et il diminue de manière constante. Lorsque un coût diminue de manière constante, le produit devient une marchandise, et les vendeurs de marchandises cessent finalement de fixer leur prix.

C’est pourquoi OpenAI considère que les réductions de juillet permettent de retrouver les gains d’efficacité.Transmettre ces bénéfices aux clients.plutôt que comme une action compétitive au niveau du tir. Les modèles moins chers, le matériel moins cher et le logiciel de meilleure qualité ont rendu chaque “token” moins cher à produire. Anthropic a adopté la même stratégie.La baisse du prix de son produit phare Opus est de 67 %Avec la sortie de Opus 4.6. Les laboratoires ne font pas un cadeau ; ils doivent surmonter cette situation difficile, car l’alternative est de perdre le client.

Les modèles chinois sont le moteur d’accélération, et non le moteur lui-même.

Les modèles à poids ouvert en Chine – c’est-à-dire des modèles dont les paramètres internes sont publiés, de sorte que toute entreprise peut les utiliser plutôt que de devoir louer une API propriétaire – sont 60 % à 90 % moins chers que les équivalents proposés par les laboratoires américains leaders. De plus, leur qualité est suffisante pour la plupart des besoins des entreprises. OpenRouter, un gateway qui permet aux développeurs de diriger les requêtes entre différents modèles, montre que les entreprises américaines utilisent ces solutions.Plus de 30 % de leurs jetons hebdomadaires sont consacrés aux modèles chinois.Depuis le début du mois de février, ce taux a atteint 46 %, contre une moyenne de 11 % au cours des douze derniers mois et 4,5 % au premier semestre de 2025. C’est pourquoi cette tendance semble soudaine : pendant un an, il y avait peu de changements, puis tout a basculé.

Les détails sont ce qui rend les chiffres concrets. Harpreet Arora de Vercel a fait un bon résumé : « Le prix est ce qui fait la différence ici ». Sur sa plateforme, GLM 5.2 de Z.ai – avec des coûts relativement bas, soit un cinquième du coût du modèle phare d’Anthropic – a obtenu une marge de seulement un pourcentage par rapport à Opus 4.8 sur un test clé. Cela signifie que c’est un modèle qui permet aux outils de fonctionner et de accomplir des tâches multiples en boucle, plutôt que de simplement générer une seule réponse. Au cours de sa première semaine complète, le volume de tokens quotidiens de GLM 5.2 a augmenté de 27 fois. Lindy, un fournisseur de modèles d’IA-agent, a transféré 100 % de son trafic de Claude vers DeepSeek en juin. Un modèle qui est six à neuf mois en arrière par rapport aux meilleurs modèles, mais qui est à une marge infime par rapport au modèle phare, et dont le coût est un cinquième du coût du modèle phare… Ce n’est pas une compromission ; pour la plupart des marchés, c’est la solution la plus rationnelle.

Rien de tout cela ne se produit par hasard. Du côté des entreprises, elles ont atteint les limites de leurs budgets pour l’IA. C’est ce qui fait que le prix devient une décision obligatoire, et non une simple option. UberA brûlé tout son budget AI pour l’année 2026 en seulement quatre mois.Pendant que Claude Code – l’outil de codage d’Anthropic – est passé de 32 % à 84 % d’adoption au sein de sa structure de 5 000 ingénieurs, avec des coûts de développement mensuels de 500 à 2 000 dollars par ingénieur. GitHub a commencé à utiliser Copilot selon un système de facturation basé sur l’utilisation le 1er juin. Microsoft, quant à elle, arrête la mise en œuvre de Claude Code d’ici fin juin. Le marché ne manque pas de demande pour ces outils ; il manque simplement de budget. La question n’est pas la demande, mais plutôt la faisabilité économique.

Qui absorbe la dépréciation, qui en profite ?

C’est là que l’histoire cesse de concerner les prix et devient une question de allocation de capital. Lorsque le prix d’un produit chute, quelqu’un assume les pertes, tandis que quelqu’un d’autre profite de l’expansion qu’il provoque. Dans ce cycle, cette asymétrie a une forme claire : la couche qui permet d’obtenir des résultats moins coûteux maintient les marges ; la couche qui vend les produits dépréciés prend en charge les pertes.

Les chiffres sont plus précis que n’importe quel argument. Nvidia, la partie liée au matériel informatique, a généré des revenus de 81,6 milliards de dollars pour ce trimestre, avec un taux de marge brute d’environ 75 %. Selon les données du marché, ses revenus augmentent de 71 % par an, avec un taux de marge brute de 74 %, un taux de marge opérationnelle de 64 % et un taux de marge de flux de trésorerie libre de 47 %. Sa valeur boursière s’élève à environ 5,4 billions de dollars, soit environ 21,5 fois ses ventes. OpenAI, la partie liée aux modèles de langage, réalise des revenus annuels d’environ 25 milliards de dollars, contre une perte opérationnelle prévue de 14 milliards de dollars cette année – c’est-à-dire que OpenAI dépense 1,70 dollar pour chaque 1 dollar qu’elle gagne. En bref : les entreprises spécialisées dans ces technologies sont comme des revendeurs d’une marchandise dont le coût de vente diminue constamment. Elles sont les dernières à pouvoir maintenir leurs marges. Le matériel qui permet de produire ces technologies génère des marges similaires à celles de Nvidia ; le logiciel, quant à lui, utilise de l’argent pour payer les coûts de production. Cette différence, plus que n’importe quel autre critère, est bien la véritable caractéristique de la guerre des prix.

L’objection évidente est que, si les coûts de traitement des données deviennent libres, alors tout le boom des investissements en IA perd son sens. Or, les preuves indiquent le contraire : une inférence moins coûteuse crée de la demande, et non une demande qui s’effondre – c’est le phénomène de Jevons, où la baisse des coûts unitaires permet une augmentation de la consommation totale.Les dépenses en IA générative des entreprises ont triplé, passant de 11,5 milliards de dollars à 37 milliards de dollars.Sur la même période où les coûts par token ont chuté, la croissance de Nvidia en elle-même est la preuve : une croissance des revenus de 71 %, alors que les prix des tokens sont tombés à presque zéro. La guerre des prix est donc un signe de demande, mais avec une offre élevée.

Le “Dark Horse” dans la courbe des coûts

Mais voici ce que les gagnants de ce cycle devraient regarder attentivement. La dépréciation qu’ils provoquent ne s’arrêtera pas au niveau du modèle lui-même. Nvidia est déjà en train de concevoir une courbe des prix plus basse : sa plateforme Rubin vise une réduction de 10 fois des coûts d’inférence par rapport à Blackwell. Le prochain concurrent est donc celui qui propose un prix plus bas pour chaque token, et non en termes de performances maximales. Google est la meilleure réplique de ce concurrent sur le marché public : elle construit ses propres accélérateurs TPU, ce qui lui permet de contrôler directement sa structure de coûts. Au milieu du mois de mai, Google traitait bien plus de trois trillions de tokens par jour, contre seulement un demi-trillion en mars. C’est un système de optimisation efficace, que aucun acheteur de GPU externe ne peut égaler. Selon les données du marché, Alphabet dispose d’un taux de marge brute de 60 %, avec des dépenses de capital de 132 milliards de dollars.

Le marché des inferences ne sera pas un marché où un seul fournisseur domine, comme c’était le cas dans le secteur de la formation. Cela réduira la part de Nvidia sur ce marché. Mais une réduction de la part de marché dans un marché en rapidité d’expansion n’est pas fatale – une entreprise qui passe d’un monopole de 90 % à 70 % alors que son marché se multiplie par plusieurs fois finit par avoir des revenus beaucoup plus élevés. La question est de savoir si cette stratégie de croissance peut continuer à fonctionner avec un multiple de 21,5 fois les ventes. C’est précisément là que réside le risque. La guerre des prix confirme l’augmentation de la demande ; la prochaine stabilisation des marges est ce que le multiple ne peut plus supporter.

Deux précautions avant de tirer des conclusions

Deux précautions : une concernant les chiffres, l’autre concernant la tendance générale. D’abord, les chiffres : OpenAI et Anthropic sont des entreprises privées ; donc, les montants de pertes de 14 milliards de dollars et les revenus de 25 milliards de dollars ne sont pas vérifiés par une vérification externe. La direction est claire, mais l’ampleur des chiffres est moins certaine. De plus, la part chinoise a un plafond limité.Les API chinoises hébergées manquent généralement de termes de conformité formels.Les charges de travail régulées exigent des conditions particulières, et la politique américaine concernant le déploiement de modèles puissants est incertaine. Donc, ce n’est pas que tout le monde se tourne vers la Chine. Il s’agit plutôt d’une transition entre charges de travail à coût sensible et celles qui ne sont pas soumises à ce critère. C’est justement dans cette catégorie que se trouve l’utilisation de l’agentique de codage, le cas d’usage qui croît le plus dans l’IA d’entreprise. Cette concentration fait que la pression tarifaire est réelle, même si le plafond de prix signifie que cela ne sera pas total.

Où va le capital

Alors, où va le capital ? Répétez la situation à long terme avant celle à court terme : je crois toujours que les laboratoires de recherche progressent dans cette direction. Chaque génération de modèle devient plus économique à exploiter, et la courbe d’efficacité est réelle. Le problème est que l’hypothèse selon laquelle les prix seraient élevés est intégrée dans les valeurs croissantes du marché privé – les rapports indiquent que OpenAI est estimée à environ 850 milliards de dollars, et Anthropic à jusqu’à 950 milliards de dollars. Mais cette différence de prix est compensée par une courbe de prix que les laboratoires ne peuvent pas contrôler. Ils fixent le prix de leurs propres produits ; ils ne contrôlent pas les coûts des matériaux utilisés, et ces coûts continuent de diminuer sous leur contrôle.

La question n’est pas de savoir si OpenAI et Anthropic restent importants. Il s’agit plutôt de savoir si c’est dans cette couche qui détermine le coût marginal de l’intelligence – le silicium utilisé pour les inférences et les plateformes qui les intègrent avec la distribution des données – que se trouvent les bénéfices actuels. Dans ce contexte, cette guerre des prix est la preuve la plus forte pour l’aspect infrastructure du marché de l’IA. Cela pousse à privilégier celui qui contrôle le coût unitaire d’un token, plutôt que celui qui vend les tokens. Mon horizon temporel est 2027–2028, et non cette année ; la compression des marges dans la couche de modèle ne commence à se manifester que sur le plan du marché privé au cours des prochaines séries de financements.

La seule chose qui pourrait perturber ce processus est le ralentissement de la courbe des coûts. Si le prix par token cesse de diminuer plus rapidement que l’utilisation des tokens augmente, alors la logique de Jevons s’inverse, et toute la chaîne de valeur se bat pour une part fixe. Jusqu’à ce que cela se produise, il faut se rappeler ce qu’est en réalité cette guerre des prix : un signal, pas une histoire liée à la Chine. Le signal indique que la valeur des tokens a déjà quitté la couche de modèle pour rejoindre la couche qui fait que les tokens sont bon marché.