Les investissements des entreprises les plus avancées dans le développement de l’intelligence artificielle ne cessent d’augmenter. À titre d’exemple, les cinq principaux acteurs américains devraient injecter dans le développement de l’intelligence artificielle plus de 800 milliards de dollars en 2026.

Cette dynamique exponentielle apparaît désormais dans les indicateurs macroéconomiques : l’informatique représente aujourd’hui un quart de la croissance américaine. La contribution de ce secteur atteint une ampleur comparable à celle observée juste avant l’éclatement de la bulle internet au début des années 2000.

Face à l’ampleur de ces investissements, il est naturel de s’interroger sur leur rentabilité. Depuis 2023, et l’arrivée de GPT-4 par Open AI, l’intelligence artificielle s’est imposée dans le quotidien : comme à la fin des années 90 avec internet, chacun pressent qu’un cap technologique a été franchi, marquant un véritable avant et après.

Cette intuition légitime, du côté des investisseurs, les sommes engagées dans le secteur. Cependant, comme pour toute innovation, il est indispensable de démontrer la viabilité économique du modèle pour assurer sa pérennité et son développement.

La réponse est clairement négative. En mettant de côté les GAFAM, dont les pertes liées à l’IA sont compensées par les profits colossaux issus de leurs autres activités, prenons l’exemple d’Open AI, leader du secteur. En 2025, la société a enregistré une perte de 5 milliards de dollars pour 3,7 milliards de revenus : elle dépense donc 1,35 $ pour chaque dollar gagné. Un chercheur de Google, lauréat du prix Turing, a publié début 2026 un article pointant le principal poste de dépense des entreprises d’IA : il ne s’agit ni de la R&D, ni des effectifs, mais de l’inférence.

L’inférence désigne le calcul nécessaire pour générer chaque réponse de l’IA.

Pour chaque opération d’inférence, il faut d’abord analyser le signal d’entrée (le prompt) avant de produire une réponse ; deux étapes qui consomment des tokens.

Le token représente l’unité de base utilisée pour mesurer les ressources nécessaires à la création d’une réponse IA.

Les fournisseurs facturent séparément les tokens d’entrée (le prompt) et ceux de sortie (la réponse générée), exprimés en dollars par million de tokens ($/M).

Les prix varient fortement : de 0,14 $ par million de tokens d’entrée pour DeepSeek V3.2 à 25 $ par million de tokens de sortie pour Claude Opus 4.6, soit un écart de presque 900 fois. À noter que, selon Iternal Technologies, société qui suit l’évolution du prix des modèles, le coût du token a chuté de 80 % en moyenne entre 2025 et 2026.

Toutefois, ces prix ne couvrent pas les coûts des tokens, comme l’a récemment souligné Sam Altman, CEO d’Open AI. L’entrepreneur insiste sur le fait que le secteur de l’IA bénéficie encore d’une forme de subvention implicite. Pour Open AI et ses concurrents, le défi est double : conquérir des parts de marché et rendre l’IA incontournable en créant la demande. Autrement dit, habituer les acteurs économiques à recourir à l’IA pour qu’elle s’impose dans l’ensemble des processus de production. La stratégie la plus efficace pour modifier les usages et gagner des parts de marché reste, en effet, de maintenir des prix le plus abordable possible.

Le raisonnement des concepteurs d’IA repose donc sur deux paris : à mesure que l’IA se démocratise et devient un outil indispensable, ils espèrent pouvoir augmenter les prix de vente ET réaliser d’importantes économies d’échelle.

La rentabilité des investissements dans l’IA dépend ainsi de la réussite de ce double pari.

À propos des économies d’échelle :

D’après Gartner, société de conseil spécialisée, les coûts d’infrastructure pourraient baisser de 90 % d’ici 2030, grâce à des semi-conducteurs plus performants, des architectures de modèles optimisées et des puces dédiées à l’inférence.

Pour autant, l’hypothèse de scaling, qui a prévalu lors de l’arrivée de ChatGPT et devait permettre d’atteindre l’objectif d’un modèle universel (AGI), est aujourd’hui remise en question. De nombreux experts – Yann LeCun, Michael I. Jordan – soutiennent que les LLMs ne suffiront pas à atteindre l’AGI, et que des avancées majeures seront nécessaires. Dans ce contexte, un changement de paradigme s’avère indispensable pour poursuivre la progression de l’efficacité de l’IA.

L’accès à l’énergie constitue un autre obstacle à la rentabilité de l’IA. La demande énergétique des data centers rivalise avec celle des entreprises et des particuliers, poussant les hyperscalers à sécuriser leurs approvisionnements, parfois par la construction directe ou indirecte de centrales électriques.

Ainsi, même si la baisse du coût d’un token devrait s’amplifier dans les années à venir, la réalisation concrète des économies d’échelle pourrait s’avérer plus complexe. L’espoir d’une baisse de coût de production de l’IA repose à notre avis essentiellement dans l’optimisation des modèles. Les méthodes quantization et de distillation sont fréquemment cités pour permettre de réduire la quantité de calcul en acceptant une légère baisse de qualité des réponses.

Toutefois, la vraie rupture consistera à développer des modèles plus performant que les modèles LLM comme le formule Yann Le Cun, lorsqu’il énonce que les systèmes basés sur la prédiction du mot suivant ne peuvent pas, à eux seuls, atteindre les niveaux d'autonomie et de raisonnement nécessaires. LeCun est un défenseur de longue date de l'apprentissage auto-supervisé (self-supervised learning), un processus dans lequel le modèle s'entraîne sans données labellisées par des humains. Pour résumer la pensée du chercheur français, Le Cun veut construire une IA qui fonctionne comme un animal ou un humain, pas comme un moteur de complétion de texte.

À propos des prix de vente :

Avec l’essor des usages de l’IA, les coûts pour les entreprises vont nécessairement augmenter, indépendamment d’une éventuelle hausse des tarifs. Cette croissance de la consommation de tokens incitera les sociétés à rationaliser leurs usages, tout comme elles optimisent déjà les ressources de leur chaîne de production.

La configuration future du marché des concepteurs d’IA sera déterminante dans la dynamique des prix. Si la concurrence entre différents modèles persiste, elle fera office de garde-fou contre une envolée des prix. Selon certains experts, le marché des modèles d’IA pourrait, dans quelques années, évoquer celui des télécommunications : l’IA serait alors une commodité, à l’image d’internet ou de l’électricité, dont le tarif dépendrait essentiellement des coûts de production.

Il est difficile d’être optimiste quant à la rentabilité des investissements réalisés dans l’IA par les grands hyperscalers. Ceux-ci sont désormais lancés dans une fuite en avant à la capacité de calcul afin de continuer à espérer pouvoir rentabiliser, un jour, leurs investissements. Extrêmement capitalistiques, ces investissements pourraient, par ailleurs, voir leur durée de vie écourtée par des renouvellements technologiques (puces ou équipements plus performants).

À mesure que les usages de l’IA se développent, le coût de production devrait continuer à diminuer. Cependant, la concurrence entre modèles maintiendra une pression sur les prix de vente, empêchant leur envolée. Par ailleurs, les investissements colossaux déjà consentis par les fabricants d’IA rendent risqué toute augmentation tarifaire, de peur de perdre des clients. Globalement, les marges des concepteurs de modèles IA resteront limitées, tandis que la valeur se déplacera vers les entreprises qui sauront utiliser l’IA pour renforcer leur productivité.

Comme lors de la crise de l’Internet en 2000, il est probable que les pionniers du secteur sortiront affaiblis de cette période d’hyper-investissement, alors que l’ensemble de l’économie bénéficiera d’un outil révolutionnaire.

Avec un brin d’humour, on pourrait voir les milliers de milliards de dollars investis par les géants du web comme un sacrifice, offert avec la bénédiction des investisseurs, au profit de l’humanité.