L’IA devient moins chère. Mais qu’est-ce qui restera rare ?

Le prix des tokens chute tandis que leur consommation progresse rapidement. Derrière cette nouvelle économie de l’intelligence artificielle se dessine une question beaucoup plus stratégique pour les entreprises : lorsque l’intelligence devient abondante, où se crée encore la valeur ?

L’intelligence artificielle devient moins chère, et même beaucoup moins chère. Selon les données publiées par Ramp et reprises le 28 octobre 2026 par Axios, le prix moyen pondéré payé pour les tokens d’OpenAI et d’Anthropic atteignait environ 0,59 dollar par million de tokens au 23 octobre, contre 0,77 dollar quatre semaines auparavant. Rapportée à la fin du mois de juin, la diminution est de l’ordre de 35 %. À première vue, la conclusion paraît simple : les entreprises vont pouvoir utiliser davantage d’intelligence artificielle pour moins cher. C’est exact, mais ce n’est probablement pas la conséquence économique la plus importante. Car dans le même temps, les entreprises consomment beaucoup plus d’IA. Ramp observe une progression de 37,1 % du volume de tokens en quatre semaines, alors que les dépenses associées n’augmentent que de 8,9 %. Nous sommes donc face à un paradoxe qui pourrait profondément transformer l’économie de l’IA : le coût unitaire de l’intelligence diminue, mais sa consommation augmente rapidement. Pour les dirigeants, la question n’est donc plus seulement de savoir combien coûte l’intelligence artificielle, mais ce qui se produit lorsqu’elle devient suffisamment bon marché pour être utilisée partout.

Une ressource moins chère ne signifie pas nécessairement une dépense plus faible

L’histoire économique montre qu’une amélioration spectaculaire de l’efficacité d’une technologie ne conduit pas toujours à une diminution de la consommation. Elle peut produire exactement l’effet inverse. Lorsqu’une ressource devient moins chère, de nouveaux usages apparaissent, ce qui semblait auparavant trop coûteux devient possible, puis banal. C’est potentiellement ce qui est en train de se produire avec l’intelligence artificielle. Une entreprise qui utilisait hier un modèle pour résumer quelques documents peut demain analyser l’ensemble de sa documentation interne. Un service client peut passer de quelques réponses assistées par IA à des milliers d’interactions automatisées. Une équipe de développement peut multiplier les générations de code, les tests, les simulations et les contrôles. La baisse du prix ne signifie donc pas nécessairement que l’entreprise économisera son budget. Elle signifie surtout qu’elle peut acheter beaucoup plus de capacité pour un montant comparable. L’IA moins chère ne signifie pas nécessairement moins de dépenses ; elle signifie davantage de possibilités.

Les agents changent complètement l’équation

Cette question devient encore plus importante avec l’émergence des systèmes agentiques. Un chatbot traditionnel répond à une demande, tandis qu’un agent peut effectuer une succession d’opérations. Il peut rechercher une information, consulter une base documentaire, utiliser un modèle de raisonnement, comparer plusieurs réponses, contrôler un résultat, appeler un autre outil, exécuter une action puis vérifier qu’elle a été correctement réalisée. Chaque étape peut générer de nouveaux appels aux modèles. Le coût d’une requête peut donc diminuer alors même que le coût du processus complet augmente. Gartner a identifié cette dynamique sous le terme d’« Inference Paradox ». L’amélioration de l’économie unitaire des modèles peut s’accompagner d’une augmentation du coût total des workflows parce que ceux-ci deviennent beaucoup plus complexes. Selon Gartner, certains modèles de raisonnement avancé peuvent consommer cinq à trente fois plus de tokens que des usages conversationnels simples. Le cabinet estime également que les coûts d’inférence associés à certains workflows agentiques pourraient être multipliés par plus de cinq d’ici 2028. Voilà le vrai changement économique : le token devient moins cher, mais les usages deviennent beaucoup plus gourmands. Et cette évolution conduit directement à une question que les entreprises ne pourront plus éviter : leur consommation supplémentaire d’intelligence produit-elle une valeur économique équivalente ?

Le risque : gagner sur le prix et perdre sur le ROI

C’est probablement l’un des sujets les plus importants pour les dirigeants au cours des prochaines années. Les entreprises pourraient parfaitement réussir à réduire le coût unitaire de leurs usages IA tout en dégradant leur retour sur investissement global. Gartner souligne d’ailleurs qu’une minorité seulement des déploiements agentiques analysés produit aujourd’hui un retour sur investissement réellement robuste. Le problème n’est pas nécessairement la technologie ; il réside souvent dans le processus auquel elle est appliquée. Prenons un cas simple. Une entreprise automatise une tâche administrative avec un chatbot qui analyse un document et fournit une réponse. Demain, cette même entreprise pourrait mettre en place un agent capable d’analyser le document, de rechercher des informations complémentaires, de consulter plusieurs bases de données, de vérifier la conformité de la réponse, de solliciter un second modèle puis de déclencher une action dans un logiciel métier. Le coût de chaque opération élémentaire aura peut-être fortement diminué, mais le processus aura considérablement gagné en complexité. L’entreprise aura-t-elle créé davantage de valeur ? Peut-être, mais ce n’est pas automatique. C’est ici que se situe probablement la prochaine frontière du management de l’IA. Une entreprise peut gagner la bataille du coût du token et perdre celle du ROI.

L’intelligence devient moins chère, l’infrastructure devient gigantesque

Un second paradoxe accompagne cette baisse des prix. Alors que l’intelligence numérique devient progressivement moins chère à consommer, les infrastructures nécessaires pour la produire atteignent des niveaux d’investissement sans précédent. Selon l’Agence internationale de l’énergie, les grands opérateurs de data centers devraient consacrer plus de 700 milliards de dollars à leurs investissements en 2026. Cette croissance concerne les centres de données, les accélérateurs, les réseaux, les équipements électriques, le refroidissement et les capacités énergétiques. L’intelligence artificielle paraît immatérielle, mais son infrastructure ne l’est absolument pas. La diminution du coût des modèles ne supprime donc pas les contraintes physiques ; elle peut, au contraire, les accentuer si elle entraîne une explosion de la demande. Plus l’intelligence devient accessible, plus nous avons besoin de puissance informatique pour la produire, et plus cette puissance augmente, plus apparaissent de nouveaux goulots d’étranglement : énergie, capacité électrique, semi-conducteurs, mémoire avancée, transformateurs, refroidissement ou disponibilité foncière. La rareté ne disparaît pas. Elle change simplement d’endroit.

Ce qui était rare hier pourrait devenir banal demain

Pendant plusieurs années, disposer d’un modèle d’intelligence artificielle performant constituait un avantage. Ce n’est peut-être déjà plus suffisant. L’OCDE observe une diminution proche de 80 % des prix ajustés de la qualité des modèles text-to-text entre janvier 2024 et avril 2026. Autrement dit, à niveau de performance comparable, accéder à l’intelligence artificielle coûte de moins en moins cher. Si cette tendance se poursuit, l’accès à un modèle performant pourrait progressivement devenir une commodité. Une entreprise pourrait choisir entre plusieurs modèles selon le prix, la performance, la sécurité ou la nature de la tâche, de la même manière qu’elle choisit aujourd’hui entre plusieurs fournisseurs de cloud ou différents logiciels. Ce qui était rare hier, l’accès à l’intelligence artificielle, pourrait donc devenir banal demain. La question stratégique devient alors beaucoup plus intéressante : qu’est-ce qui restera rare ?

La valeur se déplace vers ce qui ne se copie pas facilement

Plusieurs ressources pourraient devenir déterminantes. La première est la donnée propriétaire. Un modèle accessible à tous ne constitue pas nécessairement un avantage concurrentiel ; en revanche, la capacité à l’alimenter avec des données uniques, fiables, structurées et contextualisées peut créer une différenciation beaucoup plus durable. La deuxième est l’expertise métier. Un modèle peut connaître les règles générales d’un secteur, mais il ne connaît pas nécessairement les particularités d’une entreprise, son historique, ses clients, ses processus ou les signaux faibles que ses collaborateurs ont appris à reconnaître au fil des années. La troisième est la confiance. Plus les systèmes prennent des décisions ou exécutent des actions, plus les questions de sécurité, de responsabilité, de conformité et de traçabilité deviennent importantes. La quatrième est la distribution : avoir la meilleure technologie ne garantit pas de posséder la relation client. Et la cinquième, probablement la plus sous-estimée, est la capacité organisationnelle.

Le véritable avantage pourrait devenir organisationnel

L’OCDE souligne que les gains économiques liés à l’intelligence artificielle nécessitent des transformations complémentaires dans les données, les compétences et l’organisation du travail. Cette observation est fondamentale. Une entreprise ne crée pas de valeur parce qu’elle utilise beaucoup de tokens ; elle crée de la valeur lorsqu’elle améliore un résultat économique. On peut vouloir réduire le temps nécessaire pour traiter un dossier, d’augmenter le chiffre d’affaires, d’améliorer une décision, de diminuer un risque, d’accélérer une mise sur le marché, d’améliorer l’expérience client, de réduire un coût ou de permettre à des collaborateurs de consacrer davantage de temps à des activités à forte valeur ajoutée. L’intelligence artificielle peut contribuer à chacun de ces objectifs, mais elle ne les garantit pas. La capacité à redessiner les processus devient donc essentielle. Ajouter de l’IA à un processus inefficace ne transforme pas automatiquement ce processus en avantage concurrentiel. Dans certains cas, cela permet simplement d’exécuter plus rapidement une mauvaise organisation. La question n’est donc plus seulement technologique. Elle devient managériale.

Le rôle du dirigeant change également

Cette nouvelle économie de l’intelligence oblige également à reconsidérer la responsabilité du management. Lorsque l’accès à l’IA était limité, la principale question consistait à savoir comment l’adopter. Lorsque l’IA devient abondante, le problème devient différent : il faut décider où l’utiliser, pour quelles tâches, avec quel niveau d’autonomie, à quel coût, avec quels indicateurs de performance et surtout avec quelle création de valeur attendue. Cette capacité d’arbitrage pourrait devenir l’une des compétences essentielles du leadership à l’ère de l’intelligence artificielle. Toutes les tâches ne méritent pas nécessairement davantage d’IA. Tous les agents ne produiront pas davantage de valeur. Toutes les automatisations ne doivent pas être réalisées simplement parce qu’elles deviennent techniquement possibles. L’abondance impose paradoxalement davantage de discipline.

La prochaine bataille ne portera peut-être plus sur les modèles

Pendant longtemps, la compétition dans l’intelligence artificielle s’est concentrée sur une question : qui construira le modèle le plus performant ? Cette compétition continuera, mais elle pourrait progressivement devenir moins déterminante pour les entreprises utilisatrices. La bataille pourrait se déplacer vers les données, l’énergie, les infrastructures, les processus, les compétences, la gouvernance et la distribution, et surtout vers la capacité des organisations à transformer une technologie abondante en résultat économique mesurable. C’est peut-être là le véritable enseignement des chiffres publiés par Ramp. Le prix d’un million de tokens est important, mais ce n’est finalement qu’un indicateur. Le signal stratégique est beaucoup plus profond : nous entrons progressivement dans un monde où l’intelligence numérique devient moins rare. Lorsque cela se produit, la valeur ne disparaît pas. Elle migre vers ce qui demeure difficile à reproduire : les données propriétaires, la connaissance métier, la confiance, les infrastructures, les compétences et la capacité à transformer profondément une organisation.

Pour les dirigeants, la question essentielle n’est donc probablement plus : combien coûte l’intelligence artificielle ? Elle devient :

Quelle valeur sommes-nous capables de créer avec une intelligence qui devient progressivement abondante ?

Car une IA dix fois moins chère ne créera jamais automatiquement dix fois plus de valeur. Elle créera seulement dix fois plus de possibilités.

L’intelligence artificielle crée une capacité. Les organisations créent la valeur.