Que se passe-t-il lorsque les entreprises n’ont plus les moyens de payer leur IA ?

À ses débuts, Uber proposait des trajets d’un bout à l’autre de la ville moins chers qu’en taxi. Les investisseurs compensaient la différence jusqu’à ce que l’entreprise doive devenir rentable. Selon les données de Rakuten Intelligence, les prix des courses avec chauffeur aux États-Unis ont augmenté de 92 % entre 2018 et 2021 et, en 2023, même le PDG d’Uber a été surpris d’apprendre le prix d’un trajet de trois miles à New York.

L’intelligence artificielle approche d’un tournant similaire. Anthropic a confirmé en juin avoir déposé en toute confidentialité un dossier en vue d’une introduction en bourse aux États-Unis, et OpenAI se préparerait à lui emboîter le pas. Les entreprises cotées doivent rendre des comptes à leurs actionnaires chaque trimestre, et cette surveillance tend à faire évoluer les prix.

Cela soulève une question que beaucoup d’entreprises ne se sont pas encore posée : que se passera-t-il si l’IA dont dépendent leurs produits devient plus coûteuse, plus limitée, ou les deux ? La réponse dépend moins des décisions des laboratoires d’IA que de la manière dont chaque entreprise a construit ses activités autour de leurs modèles, et il est encore temps de se préparer.

Les coûts de l’IA sont passés du budget informatique au modèle économique

Au début, les factures d’IA étaient assez modestes pour être imputées à l’expérimentation. Aujourd’hui, l’IA est intégrée aux produits et aux flux de travail : son coût pèse donc directement sur les marges. Les prix actuels reflètent une période d’investissements massifs.

Lors d’un test mené par le cabinet d’études SemiAnalysis, une formule Claude Max à 200 $ par mois a permis une utilisation correspondant à environ 8 000 $ par mois aux tarifs standard de l’API. C’est généreux pour les utilisateurs, et cela montre à quel point certains prix sont éloignés du coût réel du service.

Certains ajustements ont déjà commencé. À la mi-2025, l’outil de programmation par IA Cursor a remplacé sa formule à 20 $ par mois par une facturation à l’usage, aux tarifs de l’API, et Anthropic a instauré des limites d’utilisation hebdomadaires pour les utilisateurs les plus assidus de Claude Code. Le développeur Simon Willison a suggéré que l’époque où les investisseurs subventionnaient l’utilisation de l’IA touchait peut-être à sa fin.

Les analystes donnent des conseils similaires. Les recommandations de Gartner publiées en août 2026 invitent les dirigeants à se préparer à de probables hausses des prix de l’IA. Les analystes de l’entreprise ont également averti que les organisations qui ne comprennent pas comment évoluent les coûts de l’IA risquent de se tromper dans leur estimation de 500 % à 1 000 %.

La baisse du coût unitaire est utile, mais elle a ses limites. Epoch AI montre que le prix d’un niveau donné de performance de l’IA diminue fortement chaque année. Pourtant, des chercheurs du MIT ont constaté que les nouveaux modèles de raisonnement nécessitent beaucoup plus de calcul pour parvenir à leurs réponses. La facture augmente avec l’utilisation, et celle-ci ne cesse de croître.

Ce que l’entrée en bourse des laboratoires d’IA pourrait changer pour les startups qui s’appuient sur eux

Une entrée en bourse impose davantage de rigueur. Les laboratoires d’IA cotés devront présenter aux investisseurs un plan leur permettant d’atteindre des marges durables, et la tarification est l’un des leviers les plus directs à leur disposition. Cela pourrait se traduire par une hausse des prix affichés, des limites d’utilisation plus strictes, le passage de certaines fonctionnalités à des offres premium ou le retrait anticipé d’anciens modèles.

Les startups partagent aussi leur marché avec leurs fournisseurs. Les laboratoires d’IA proposent de plus en plus leurs propres applications, comme Anthropic avec Claude Code. Il est donc important de définir clairement la valeur ajoutée d’une entreprise au-delà du modèle lui-même.

La situation présente aussi des aspects positifs. Les entreprises cotées communiquent davantage d’informations, ce qui permet aux clients de mieux comprendre la tarification de l’IA. La concurrence entre fournisseurs, conjuguée aux progrès rapides des modèles ouverts, devrait contenir les prix pour ceux qui sont prêts à changer de solution.

Comment les entreprises peuvent réduire leur dépendance

Le risque commercial se résume à deux questions. Les clients accorderaient-ils suffisamment de valeur au service pour accepter de payer plus si les coûts augmentaient ? Et la marge est-elle assez importante pour absorber une hausse de prix ? Pour toute entreprise qui n’est pas sûre des réponses, cinq pratiques peuvent aider, sans qu’il soit nécessaire de repartir de zéro.

Connaître le coût de chaque tâche. De nombreuses équipes connaissent le montant mensuel de leur facture d’IA, mais pas le coût d’une seule action effectuée par un client. Mesurer le coût par tâche permet de repérer les fonctionnalités, les clients ou les cas d’usage qui deviendraient non rentables si les prix augmentaient de 30 %, 50 % ou même 100 %.

Utiliser l’IA là où elle apporte le plus de valeur. Les grands modèles sont particulièrement efficaces pour traiter les situations ambiguës, par exemple lorsqu’il faut aborder un problème pour la première fois. Les logiciels classiques conviennent souvent mieux aux tâches répétitives. Dans les tests logiciels, par exemple, l’IA peut déterminer une fois comment vérifier le parcours d’un utilisateur ; cette vérification peut ensuite être exécutée des milliers de fois sous forme de code ordinaire, sans solliciter de modèle.

Choisir le modèle adapté à la tâche. Epoch AI a constaté que les meilleurs modèles ouverts capables de fonctionner sur une seule carte graphique grand public ont environ un an de retard, voire moins, sur les modèles les plus performants. Pour les tâches courantes, un modèle plus petit ou hébergé sur ses propres serveurs peut fournir des résultats acceptables pour une fraction du prix.

Garder la possibilité de changer de fournisseur. Les produits conçus autour des fonctionnalités propres à un seul fournisseur sont les plus difficiles à migrer. Une couche intermédiaire simple entre le produit et le modèle, ainsi que des tests réguliers d’autres solutions, permettent de transformer une future hausse des prix en levier de négociation.

Tarifer en fonction du résultat. Facturer les clients au nombre de jetons leur répercute directement chaque variation des prix de l’IA. Un tarif fixe par résultat, par exemple pour une tâche accomplie ou une demande résolue, stabilise les prix pour les clients et donne à l’entreprise une marge de manœuvre pour absorber les variations de ses propres coûts. La même logique s’applique aux achats : les outils facturés au résultat facilitent la prévision des dépenses futures.

Rendre l’IA abordable relève d’un choix de conception

Les hausses de prix d’Uber n’ont pas mis fin aux services de VTC. Elles ont mis fin aux modèles économiques qui partaient du principe que les courses resteraient toujours subventionnées. L’IA devrait suivre une voie similaire. À mesure que les grands laboratoires entreront sur les marchés cotés, le prix de l’IA se rapprochera de son coût de fourniture, et les entreprises seront jugées sur la capacité de leurs produits à continuer de fonctionner à ce prix.

Les entreprises les mieux placées pour faire face à ce changement considèrent l’IA comme une dépendance qu’il faut mesurer et gérer. Pour les entreprises qui n’ont pas encore commencé, il n’est pas trop tard. Chacune de ces étapes peut être amorcée ce trimestre, et chacune facilitera l’adaptation à la prochaine hausse de prix.