Le modèle de fatigue ne tue pas le cycle de l’IA – il le transporte vers le domaine de la computation.

En mars 2026, les principaux laboratoires d’IA ont mis à disposition douze mises à jour importantes de modèles en un seul mois, plus que ce qui était normal pour une même période. Quelques semaines plus tard, le nouveau modèle phare est arrivé : GPT-5.5 d’OpenAI. Ce modèle a réussi à surpasser les critères de performance établis par OpenAI. La réaction des développeurs fut plutôt de la nonchalance que de l’urgence. Les commentaires de l’industrie concernant cette situation portent désormais un nom :Modèle de fatigue.Si vous êtes un investisseur, l’instinct est de considérer cela comme un signe que la vague d’innovation en matière d’intelligence artificielle s’arrête. Mais cet instinct fait le cycle à l’envers.

La fatigue est réelle. C’est simplement que le signal qu’elle produit n’est pas tel qu’on le croirait. La fatigue du modèle est ce moment visible et mesurable où l’entraînement ne représente plus le centre de gravité… Et la valeur dans le domaine de l’IA évolue en conséquence.

Qu’est-ce que la « fatigue » en réalité ?

La fréquence des sorties est un premier facteur important. Les grandes entreprises de développement ont passé d’une sortie tous les six mois ou environ à une sortie tous les deux à trois semaines. Selon un rapport largement cité, la fréquence mensuelle des sorties majeures est environ quatre fois plus élevée qu’en 2023.Douze mises à jour importantes du modèle ont été réalisées en mars 2026 uniquement.Et GPT-5.4 a suivi GPT-5.3 deux jours plus tard, en même mois – une cadence qui, à son tour, génère de la fatigue.

Puis l’économie a changé. Les modèles Frontier étaient devenus plus abordables par token à chaque génération, pendant des années. GPT-5.5 a brisé cette tendance.Le modèle qui a remporté les meilleurs scores sur les benchmarks d’OpenAI avait un coût par token, qui était doublé.À 5 dollars par million de tokens d’entrée et 30 dollars par million de tokens de sortie. Pour les équipes qui utilisent des fonctionnalités de chat général, de résumé ou de revue de code, cet upgrade n’était pas justifié par le coût de migration lié à la réajustement des prompts et à l’exécution des tests d’évaluation. Ils ont donc arrêté de chercher des solutions alternatives et se sont contentés de conserver les versions existantes.

L’épuisement se fait sentir même dans les laboratoires eux-mêmes. À la fin du mois de juillet 2026,Plus de 1 200 employés chez OpenAI, Anthropic et Google DeepMind ont signé une lettre demandant au gouvernement américain de « réguler délibérément les actions ».Le développement de l’IA dans les frontières – c’est une demande publique inhabituelle pour que la course se ralentisse. Ces entreprises dépensent des dizaines de milliards d’euros par an pour gagner. Lorsque les développeurs souhaitent une progression plus lente, le « fatigue liée aux modèles » n’est pas simplement un sentiment des développeurs.

La chute des prix qui semble effrayante

Les mêmes forces sont maintenant visibles dans le prix des informations.Un indice qui normalise les prix d’inference entre les différents fournisseurs est passé de environ 2,0 à la fin du mois de mai à environ 1,0 au milieu du mois d’août.La valeur économique d’une unité de décision d’IA est divisée par deux en moins de trois mois. Les modèles chinois de type « ouvert » ont contraint les laboratoires américains à baisser leurs prix pour être compétitifs. À première vue, cela semble indiquer que la demande en IA diminue.

Ma vision est inversee : c’est le mécanisme qui sous-tend cette opération qui est important. C’est là que la valeur cesse de se trouver dans le modèle lui-même et commence à exister dans tout ce qui se trouve en dessous. Les développeurs estiment maintenant que le modèle lui-même ne contribue qu’à environ 30 % de la qualité du résultat ; le reste revient à l’orchestration, aux processus de travail et au calcul qui se déroulent en arrière-plan – cette couche qui n’a pas diminué de prix.

Ce que le prix en chute finance vraiment

La baisse du prix unitaire est compensée par une augmentation du volume de ventes – c’est ce que les économistes appellent le paradoxe de Jevons : lorsque quelque chose devient radicalement moins cher, les gens en consomment beaucoup plus, et non moins. Après que OpenAI a réduit le prix d’un modèle de l’ordre de 80 %, la quantité vendue a augmenté de près de quatorze fois. Les revenus générés ont également augmenté, malgré le prix plus bas. La raison pour laquelle l’utilisation de l’intelligence artificielle était si coûteuse avant n’était pas parce que les gens voulaient moins de cette technologie ; c’était simplement parce qu’elle était rationnée. Les workflows agents – où un agent de l’IA lit tout le code source, utilise des outils divers, et modifie lui-même ses résultats – peuvent utiliser des millions de tokens pour effectuer une seule tâche, alors que une requête de chatbot nécessiterait seulement quelques milliers de tokens.

En conséquence, la compression des prix affecte le niveau de modèle, et non le niveau de calcul. Les laboratoires qui ont entraîné le modèle le plus performant doivent faire face à une diminution des revenus, car les clients transfèrent la majeure partie du travail au modèle le moins cher qui parvient à réussir. Mais l’infrastructure sous-jacente est utilisée pour chaque token, quel modèle qu’il soit. En début 2025, Google avait environ 480 billions de tokens par mois ; en octobre dernier, ce chiffre était passé à 1,3 quadrillion de tokens. Le coût d’inference pour des capacités fixes a diminué de plus de 280 fois en deux ans.Selon les mesures de StanfordAucun de ces appareils n’a besoin d’un modèle « meilleur ». Il a besoin d’un dispositif bon marché et fiable pour fonctionner.

La preuve, il y a onze jours

C’est là que les deux interprétations se séparent au niveau des chiffres concrets, et non des sentiments. Le 26 août 2026,Nvidia a rapporté des revenus de 96,2 milliards de dollars pour le trimestre se terminant le 26 juillet. Cela représente une hausse de 18 % par rapport au trimestre précédent et une augmentation de 106 % par rapport à l’année dernière.Avec un taux de marge brute de 75 %. Une entreprise dont les puces constituent le point de départ pour les inférences vient deregistrer la plus grande augmentation monétaire consécutive de son histoire, tandis que le marché des modèles s’épuise à cause des efforts déployés par ses propres constructeurs.

La demande en dessous ne ralentit pas non plus. Les cinq plus grands fournisseurs de services cloud et d’IA aux États-Unis – Microsoft, Alphabet, Amazon, Meta et Oracle –Il est prévu de dépenser environ 660 à 690 milliards de dollars en dépenses de capital cette année, soit près du double de 2025.C’est le facteur le plus important qui peut être utilisé pour critiquer le terme « fatigue ». La fatigue modèle est en fait une description de la situation au niveau du couche modèle. Le cycle de fonctionnement du système informatique qui se passe sous cette couche est en train d’accélérer, et non de ralentir.

Ce qui distingue les deux interprétations

La différence qui vaut la peine d’être soulignée n’est pas entre « l’IA est terminée » et « l’IA est acceptable ». C’est plutôt où se situe la valeur économique, maintenant que le modèle de frontière n’est plus ce qui distingue les produits.

Entre GPT-4.5 et chaque modèle ultérieur, ce qui comptait vraiment, c’était la qualité du modèle le plus intelligent. Cette “barrière” a permis aux versions de ce modèle de se développer, tout en faisant que son prix soit divisé par deux en un quart de temps. Les barrières qui comptent aujourd’hui, c’est celles qui permettent de maintenir la valeur du modèle lorsque celui-ci devient une marchandise : le silicium, l’écosystème logiciel, le cloud qui gère les tokens à grande échelle, et l’orchestration qui décide quel modèle doit être utilisé pour répondre à une requête. Les couches de modèle et d’application sont soumises à une pression tarifaire extrême ; les composants essentiels – GPU, réseaux, énergie, centres de données – prennent en charge la charge de travail croissante.

Cela ne rend donc pas le marché des compute sans risque. Le signal réel de dépréciation est spécifique et observable : les prix des tokens diminuent, tandis que les volumes restent stables ; les revenus liés aux modèles d’IA stagnent ; l’utilisation des ressources par les grands opérateurs diminue ; et les prévisions concernant les investissements en CAPEX continuent de stagner. Actuellement, les indicateurs de l’autre côté sont en augmentation. Si cela change – si la fatigue liée aux modèles d’IA cesse d’être un problème lié aux laboratoires, et devient plutôt un problème lié aux fonds qui ne sont plus dépensés pour acheter des puces – alors le terme « fatigue des modèles » mérite bien l’attention des investisseurs. Jusqu’à then, « fatigue des modèles » n’est pas la fin du cycle de l’IA. C’est plutôt une annonce que le centre de gravité du cycle s’est déplacé de la partie liée aux modèles vers la salle des machines, et que le marché a suivi ce mouvement.