ChatGPT coûte 3x plus cher qu'il y a 18 mois : qui paiera ?

Vous payez pour l'IA. Mais savez-vous vraiment combien ?

Il y a dix-huit mois, intégrer un modèle de langage dans une application coûtait quelques dizaines d'euros par mois. Aujourd'hui, les mêmes équipes reçoivent des factures à cinq chiffres — et certaines ont tout simplement coupé le robinet. Ce que personne ne vous dit, c'est que la guerre des prix de l'IA n'a jamais vraiment profité aux développeurs. Elle leur a surtout offert une fenêtre d'accès bon marché… avant de la refermer.

Le mirage de la gratuité : comment on en est arrivés là

Quand OpenAI a lancé l'API GPT-3 en 2020, la stratégie était claire : attirer un maximum de développeurs avec des prix attractifs, créer une dépendance écosystémique, puis ajuster. Le même schéma a fonctionné pour AWS, pour Stripe, pour Twilio. L'IA n'a fait que l'accélérer à une vitesse inédite.

Pendant deux ans, les startups ont construit des produits entiers autour d'appels API peu coûteux. Des assistants clients, des outils de rédaction, des moteurs de recommandation, des copilotes de code. Des centaines de milliers de lignes de code qui supposent un certain niveau de coût d'inférence. Et puis les modèles sont devenus plus puissants, plus gourmands, plus chers à faire tourner.

Résultat : les marges se sont effondrées avant même que le produit n'atteigne sa vitesse de croisière.

Les chiffres qui font mal

Prenons quelques exemples concrets pour mesurer l'ampleur du problème :

• GPT-4 Turbo est environ trois fois plus cher à l'usage que GPT-3.5, pour des performances supérieures — mais pas toujours nécessaires selon le cas d'usage.
• Claude 3 Opus d'Anthropic, le modèle phare de la gamme, affiche un tarif à 15 dollars pour un million de tokens en entrée, et 75 dollars en sortie. Pour une application conversationnelle à fort trafic, la facture mensuelle peut dépasser 50 000 dollars.
• Gemini Ultra de Google, encore en accès limité, anticipe des prix similaires voire supérieurs pour les fonctionnalités multimodales avancées.

Ce n'est pas une question de mauvaise volonté des éditeurs. Former et faire tourner ces modèles coûte des centaines de millions de dollars. Les data centers, l'électricité, les GPU Nvidia H100 à 30 000 dollars l'unité : tout cela se répercute, tôt ou tard, sur la facture finale.

Le piège de la dépendance : quand changer coûte plus cher que rester

La vraie tragédie n'est pas le prix en lui-même. C'est ce que les économistes appellent le switching cost — le coût de transition. Une équipe qui a optimisé ses prompts pendant six mois pour GPT-4, ajusté ses pipelines de données, formé ses utilisateurs à une certaine interface : elle ne peut pas basculer vers un modèle concurrent en un claquement de doigts.

Les fournisseurs d'IA le savent parfaitement. Et c'est précisément pourquoi la guerre des fonctionnalités prime aujourd'hui sur la guerre des prix. Chaque nouvelle capacité — vision, audio, exécution de code, navigation web — est une chaîne supplémentaire qui retient le développeur dans l'écosystème.

Que font les développeurs pour résister ?

Face à cette pression, trois stratégies émergent dans les équipes les plus aguerries :

• Le routing intelligent : envoyer les requêtes simples vers des modèles moins chers (GPT-3.5, Mistral, Llama 3) et réserver les modèles puissants aux tâches complexes uniquement.
• Le caching agressif : stocker les réponses fréquentes pour éviter de payer deux fois la même inférence.
• Le fine-tuning sur modèles open source : entraîner un modèle plus petit sur des données métier spécifiques pour égaler les performances d'un GPT-4 sur un périmètre restreint, à une fraction du coût.

Ces approches fonctionnent. Mais elles demandent du temps, des compétences MLOps solides, et une infrastructure que 90 % des startups n'ont tout simplement pas.

Ce que cela révèle sur l'économie de l'IA

L'escalade des coûts de l'IA n'est pas un bug du système. C'est le système. Nous vivons la phase de monétisation post-adoption, celle que toute plateforme technologique traverse après avoir capturé suffisamment d'utilisateurs. La question n'est plus "est-ce que l'IA est utile ?" mais "à quel prix est-elle viable pour mon business ?"

Et c'est une question que trop peu d'entrepreneurs se sont posée avant de construire. La fascination pour la technologie a souvent pris le pas sur la rigueur économique. Intégrer ChatGPT dans un produit parce que c'est impressionnant lors d'une démo, ce n'est pas un modèle d'affaires.

La récréation est finie. Et après ?

Le marché va se structurer. Les modèles open source — Mistral, Llama, Falcon — montent en puissance et offrent une alternative crédible pour les équipes capables de les opérer. Les prix des API vont probablement baisser à mesure que l'infrastructure s'optimise et que la concurrence s'intensifie. Mais d'ici là, une sélection naturelle est à l'œuvre.

Survivront les équipes qui ont traité l'IA comme un composant économique, pas comme une magie. Celles qui ont mesuré leur coût par requête dès le premier jour. Celles qui ont conçu leurs architectures pour être portables d'un modèle à l'autre.

L'IA reste l'une des opportunités technologiques les plus significatives de la décennie. Mais une opportunité avec une facture. Et il est temps que chaque développeur, chaque product manager, chaque investisseur ait ce chiffre sous les yeux avant d'appuyer sur "déployer".

— Reservoir Live