Le constat vient de l'institut de recherche Epoch AI, repris par L'Agefi sous la plume de Capucine Cousin le 25 septembre 2026 : le coût pour obtenir un même niveau de performance en intelligence artificielle a chuté de 47% par trimestre depuis 2023. Cette baisse, quatre fois plus rapide que celle du séquençage ADN et six fois plus rapide que celle des puces, place l'IA parmi les technologies dont le prix a baissé le plus vite dans l'histoire recensée par l'institut. Pour une direction des systèmes d'information (DSI) française qui a construit un business plan IA sur des hypothèses de coût datant de douze ou dix-huit mois, ce chiffre n'est pas anecdotique : il signifie que le budget prévu était probablement surestimé, parfois de façon considérable.
Ce que mesure exactement l'étude Epoch AI
Epoch AI n'a pas simplement suivi le prix du jeton (token) facturé par les fournisseurs de modèles. L'institut a construit ce qu'il appelle une frontière de Pareto coût-performance : pour chaque niveau de performance sur cinq benchmarks couvrant les mathématiques, les sciences dures et les jeux de stratégie, il identifie le modèle le moins cher capable d'atteindre ce niveau, à une date donnée. La méthode repose sur un protocole développé par le Center for AI Standards and Innovation (CAISI) américain, qui rejoue les transcriptions de tests sous des budgets de jetons de plus en plus contraints pour estimer la performance qu'un modèle aurait obtenue avec moins de moyens.
L'exemple le plus frappant concerne le test GPQA Diamond, un examen à choix multiples de niveau doctorat en physique, chimie et biologie. Le 31 janvier 2025, le modèle o3 d'OpenAI atteignait un score de 75% pour un coût moyen de 30 centimes de dollar par question. Moins de dix-huit mois plus tard, GPT-5.6 Luna obtenait le même score pour quatre centièmes de centime, soit 0,0004 dollar par question. Epoch AI compare cette chute à une voiture neuve dont le prix passerait de 50 000 à 69 dollars sur la même période.
Une déflation plus rapide que celle de l'électricité ou des semi-conducteurs
Le rythme de baisse n'est pas homogène selon les usages. Epoch AI observe une baisse de 39 à 43% par trimestre sur les jeux de stratégie, et de 50 à 52% par trimestre sur les problèmes mathématiques. L'institut note aussi que la baisse est la plus rapide au moment où une performance vient d'être atteinte pour la première fois (66% par trimestre en moyenne, soit une division par 75 en un an), puis ralentit deux ans plus tard à 32% par trimestre, soit une division par 4,7 en un an. Le mécanisme avancé : les fournisseurs peuvent facturer une prime tant qu'ils sont seuls à proposer un niveau de performance donné, avant que la concurrence ne comprime les prix.
| Technologie | Comparaison avec la vitesse de baisse de l'IA |
|---|---|
| Intelligence artificielle (moyenne 5 benchmarks, depuis 2023) | Référence : 47% par trimestre, soit une division par 13 chaque année |
| Séquençage ADN | 4 fois plus lent |
| Puces (compute) | 6 fois plus lent |
| Batteries lithium | 18 fois plus lent |
| Électricité (jusqu'en 1973) | 54 fois plus lent |
Ces comparaisons, avancées par Epoch AI, situent la déflation de l'IA au-dessus de toutes les révolutions industrielles précédentes recensées par l'institut sur la période étudiée. Seules les comparaisons avec le séquençage ADN et les puces sont reprises par L'Agefi.
Ce que cette chute change réellement pour le TCO d'une DSI française
Le coût total de possession (TCO) d'un projet IA en entreprise ne se limite pas au prix du jeton facturé par un fournisseur de modèle. Il inclut l'intégration, la conformité, la formation des équipes et, souvent, un contrat d'API négocié pour plusieurs mois. Or, si le coût d'accès à une performance donnée est divisé par treize chaque année, un contrat signé il y a un an sur la base d'un volume de requêtes prévu risque d'être aujourd'hui largement surdimensionné en valeur, alors même que le volume d'usage a probablement augmenté. Une DSI qui n'a pas renégocié ses conditions tarifaires récemment paie donc, de fait, une prime que le marché ne justifie plus.
Epoch AI apporte lui-même une nuance de taille : sa frontière de coût suppose un utilisateur qui bascule sans cesse vers le modèle le moins cher disponible pour chaque tâche. Les utilisateurs réels, note l'institut, ne changent pas de modèle aussi fréquemment et ne captent donc pas l'intégralité de ces gains. Pour une entreprise qui a figé son intégration technique sur un seul fournisseur, la déflation mesurée par Epoch AI reste largement théorique tant qu'aucune démarche active de comparaison n'est mise en place. C'est précisément l'un des arguments avancés par les offres qui donnent accès à plusieurs familles de modèles sous un même abonnement, à l'image de Moon AI qui regroupe plus de 70 modèles (GPT, Claude, Gemini, Mistral, DeepSeek, Llama, Grok, Qwen et le modèle Moon 6) dans des forfaits allant de 9,90 à 249,90 euros TTC par siège et par mois : la logique consiste à répartir les usages entre modèles plutôt qu'à dépendre d'un seul contrat figé.
Le piège du benchmark qui ne reflète pas l'usage réel
Epoch AI met en garde contre le risque de « benchmaxxing » : des modèles entraînés spécifiquement pour exceller sur les tests de référence, sans que ce progrès se traduise nécessairement par une amélioration équivalente sur les tâches métiers concrètes. Un très bon score sur GPQA Diamond ou sur un test mathématique ne garantit pas qu'un modèle traite mieux, à coût réduit, les documents contractuels ou les tickets support d'une entreprise française. Toute projection de TCO fondée sur ces chiffres doit donc être vérifiée sur les cas d'usage réels de l'organisation, pas seulement sur les moyennes publiées par l'institut.
API cloud ou infrastructure interne : la bascule reconsidérée
La baisse rapide du coût d'accès aux modèles via API interroge mécaniquement l'intérêt d'investir dans une infrastructure IA interne (GPU dédiés, hébergement on-premise). Plus le prix d'une requête externe chute chaque trimestre, plus il devient difficile de justifier l'amortissement d'un investissement matériel fixe face à une dépense variable qui ne cesse de baisser. À l'inverse, pour des DSI dont le volume d'usage est très élevé, stable et prévisible, le calcul peut rester différent, notamment lorsque des contraintes de gouvernance des données pèsent dans la balance. Ni l'étude d'Epoch AI ni les dépêches qui la relaient ne fournissent cependant de donnée chiffrée permettant de trancher ce point pour le cas français : l'analyse porte sur le coût de l'accès aux modèles, pas sur celui d'un déploiement souverain.
C'est sur ce terrain que se positionnent les offres hébergées en France : Moon AI, par exemple, héberge son application et son stockage chez OVHcloud, à Strasbourg et à Roubaix, et applique un mécanisme de pseudonymisation (Moon Blur) qui remplace les données personnelles par des jetons avant leur envoi aux modèles tiers, puis les rétablit au retour. Ce dispositif ne rend pas les requêtes anonymes au sens du RGPD, ni ne dispense d'une analyse de conformité propre à chaque organisation, mais il illustre une réponse possible à la question posée par la déflation des prix : comment profiter de la baisse du coût des modèles tiers sans perdre la maîtrise du traitement des données envoyées à l'étranger.
Les limites que les DSI doivent garder en tête
Epoch AI liste elle-même les réserves méthodologiques de son analyse. La période étudiée couvre à peine trois ans, ce qui reste court pour établir une tendance de long terme. La frontière de coût est par construction instable : un seul résultat de benchmark manquant ou un seul nouveau modèle testé peut déplacer la courbe de plusieurs mois. Les données sont plus denses sur les modèles récents que sur les anciens, ce qui peut gonfler artificiellement les gains mesurés sur la période la plus récente. Enfin, l'institut précise que ses conclusions doivent être lues comme « raisonnablement représentatives », et non comme des chiffres exacts et définitifs.
- La méthode mesure la frontière la moins chère disponible, pas le coût moyen effectivement payé par les entreprises.
- Les résultats varient fortement selon le type de tâche : de 39% à 52% de baisse par trimestre selon les benchmarks.
- Le rythme de baisse ralentit avec le temps : 66% par trimestre pour une performance qui vient d'être atteinte, contre 32% deux ans plus tard.
- Rien dans l'étude ne documente le coût d'une infrastructure IA interne en France, ni les conditions tarifaires spécifiques aux offres hébergées localement.
Questions fréquentes
Qu'est-ce que le test GPQA Diamond cité dans l'étude ?
Il s'agit d'un examen à choix multiples couvrant la physique, la chimie et la biologie à niveau doctorat. Epoch AI l'utilise comme un des cinq benchmarks servant à mesurer la performance des modèles d'IA et à en déduire le coût nécessaire pour atteindre un score donné, ici 75%.
La baisse de 47% par trimestre s'applique-t-elle à tous les usages professionnels ?
Non. Epoch AI observe des rythmes différents selon les tâches : de 39 à 43% par trimestre sur les jeux de stratégie, contre 50 à 52% sur les problèmes mathématiques. La moyenne de 47% agrège cinq benchmarks distincts et ne se transpose pas automatiquement à un usage métier précis, comme le traitement de documents ou le support client.
Faut-il renégocier immédiatement les contrats d'API IA existants ?
L'étude suggère qu'un contrat signé plusieurs mois avant sa date de renouvellement repose probablement sur des hypothèses de coût dépassées, puisque le prix pour une même performance peut être divisé par plus de dix en un an sur certains benchmarks. Les conditions tarifaires précises restant propres à chaque fournisseur et à chaque contrat, une vérification au cas par cas reste nécessaire avant toute décision.
La baisse du prix des API rend-elle l'infrastructure IA interne obsolète ?
Pas nécessairement. La chute du coût d'accès aux modèles via API réduit l'un des arguments en faveur de l'investissement matériel interne, mais ni l'étude d'Epoch AI ni les sources qui la relaient ne comparent le coût d'une infrastructure on-premise à celui d'un accès API sur le marché français. La décision dépend aussi de contraintes de gouvernance des données et de volumes d'usage propres à chaque organisation.