Le rapport sur les coûts d’Epoch AI constate que les prix de l’IA chutent plus vite que la loi de Moore
Selon Epoch AI, le coût nécessaire pour atteindre un niveau donné de performance en IA a diminué de 47 % par trimestre depuis 2023. Le nouveau rapport sur les coûts d’Epoch AI traduit ce rythme par une baisse annuelle d’un facteur 13, bien plus rapide que les améliorations historiques du matériel informatique.
Cette conclusion ne signifie pas que chaque facture d’IA baisse dans les mêmes proportions. Elle mesure la manière la moins coûteuse disponible d’atteindre un score défini sur cinq benchmarks couvrant les mathématiques, les sciences et les jeux. La distinction est importante, car les nouveaux modèles peuvent fournir des résultats comparables tout en consommant moins de ressources ou en utilisant une infrastructure moins coûteuse.
La comparaison avec la loi de Moore reste frappante. Le calcul est devenu progressivement moins cher pendant des décennies, contribuant à rendre possibles les ordinateurs personnels, les smartphones et les services cloud. Epoch AI estime que les prix de l’IA ajustés aux performances chutent désormais six fois plus vite que le rythme historique du calcul.
Les bénéficiaires immédiats sont les développeurs et les organisations capables de déplacer leurs charges de travail entre différents modèles. La pression s’exerce sur OpenAI, Anthropic, Google et les services d’IA tiers qui ont besoin de revenus récurrents. Un modèle premium peut prendre l’avantage, mais son avantage économique peut disparaître en quelques mois.
C’est là que réside la tension centrale. Une intelligence moins chère favorise une adoption plus large, mais cette même baisse affaiblit la fidélité fondée sur le prix et réduit la valeur du simple accès aux modèles. L’activité la plus durable pourrait se situer au-dessus de la couche des modèles, là où les produits conservent le contexte, l’intégration aux flux de travail, la confiance et les données propriétaires.
Ce que le rapport sur les coûts d’Epoch AI a réellement mesuré
Epoch AI a mesuré la baisse du coût d’un résultat, et non simplement le prix affiché d’un token d’IA.
L’organisation de recherche a publié son analyse des coûts le 22 septembre 2026. Les chercheurs Luke Emberson et David Roodman ont examiné les performances et les coûts des modèles sur cinq benchmarks à partir de 2023.
Les benchmarks couvrent des questions difficiles en mathématiques, en sciences de niveau universitaire avancé, aux échecs et dans d’autres jeux d’adresse. Epoch AI a ensuite estimé le moyen disponible le moins coûteux d’atteindre chaque niveau de performance atteignable à différentes dates.
Cette limite est appelée frontière de Pareto. Elle représente les modèles offrant les meilleures performances disponibles pour un coût donné. Un modèle situé hors de cette frontière coûte plus cher sans fournir un meilleur résultat.
La méthode prend également en compte les budgets de raisonnement. Un modèle de raisonnement peut consacrer davantage de tokens de sortie à l’examen d’un problème, ce qui augmente ses chances de répondre correctement. Le simple prix d’un token ne révèle donc pas le coût complet de l’exécution d’une tâche.
Epoch AI a utilisé des transcriptions d’évaluations pour estimer l’évolution des performances sous différentes limites de budget. L’approche s’appuie sur les travaux du Center for AI Standards and Innovation, ou CAISI, une entité fédérale. Elle produit une courbe coût-performance pour chaque modèle au lieu de le réduire à un tarif affiché unique.
Cette distinction devient importante lorsque deux modèles utilisent les tokens différemment. Un modèle dont les tokens sont moins chers peut en générer bien davantage avant d’achever une tâche. Son avantage tarifaire apparent peut disparaître lorsqu’on mesure le coût depuis la question jusqu’à la bonne réponse.
Sur les cinq benchmarks, Epoch AI a calculé une baisse moyenne ajustée aux performances de 47 % par trimestre. Cela équivaut à une réduction d’environ un facteur 13 sur un an si la tendance se compose.
Le rythme variait selon les domaines. Les prix ont baissé d’environ 39 % à 43 % par trimestre sur les énigmes fondées sur des jeux. Les benchmarks de mathématiques ont affiché des baisses plus rapides, d’environ 50 % à 52 % par trimestre.
Un exemple illustre l’ampleur du phénomène sans s’appuyer sur les prix catalogue des tokens. Epoch AI a comparé deux modèles OpenAI publiés à moins de 18 mois d’intervalle. Le modèle plus récent aurait atteint le même score GPQA Diamond pour environ un sept-cent-vingt-cinquième du coût du modèle antérieur.
GPQA Diamond est un benchmark à choix multiples conçu autour de questions de niveau universitaire avancé en physique, chimie et biologie. Il saisit une forme exigeante de raisonnement, mais pas toute l’étendue des travaux utiles.
Le chiffre principal doit donc être lu comme un indice de prix des capacités mesurées. Il ne décrit ni les coûts d’entraînement, ni les dépenses des entreprises, ni la facture de chaque client. Il suit le coût auquel un résultat de benchmark peut être acheté auprès du modèle disponible le plus rentable.
Ce résultat concorde également avec des données antérieures. L’AI Index de Stanford a constaté une baisse de plus d’un facteur 280 du coût des performances de niveau GPT-3.5 entre novembre 2022 et octobre 2024.
L’étude de Stanford utilisait MMLU, un large benchmark de connaissances, plutôt que l’ensemble complet des courbes coût-performance d’Epoch AI. Des méthodes différentes produisent des rythmes différents, mais toutes deux indiquent une baisse exceptionnellement marquée.
La convergence importe davantage qu’une estimation isolée. Des jeux de données indépendants montrent de plus en plus que les capacités d’IA utiles deviennent bien moins chères beaucoup plus vite que le matériel qui les sous-tend.
Pourquoi les prix des performances de l’IA chutent si vite
Cette baisse combine de meilleurs algorithmes, des modèles compétents plus petits, du matériel amélioré et une concurrence agressive entre fournisseurs.
La loi de Moore décrit la tendance historique à l’augmentation de la densité des transistors au fil du temps. L’expression est également associée à la baisse des coûts de calcul, bien que le nombre de transistors et les prix facturés aux clients ne soient pas des mesures identiques.
Epoch AI estime que les prix du calcul ont baissé à un rythme composé d’environ un facteur 1,51 par an entre 1940 et 2001. Sa baisse estimée des prix des performances de l’IA depuis 2023 est d’environ un facteur 13 par an.
Cette différence existe parce que l’IA bénéficie de plus que des seuls progrès des semi-conducteurs. Les développeurs de modèles améliorent simultanément les architectures, les méthodes d’entraînement, la sélection des données, la quantification, les logiciels d’inférence et l’utilisation du matériel.
La quantification réduit la précision numérique utilisée pour stocker et exécuter un modèle. Lorsqu’elle est appliquée avec soin, elle diminue les besoins en mémoire et en calcul tout en préservant une grande partie des performances utiles du modèle.
Les systèmes de mixture-of-experts offrent une autre voie. Ils n’activent que certaines parties d’un modèle pour chaque entrée au lieu d’utiliser tous les paramètres. Cette conception peut accroître les capacités sans nécessiter l’intégralité du réseau pour chaque requête.
La distillation transfère les comportements utiles d’un modèle plus grand vers un modèle plus petit. Ce dernier peut alors traiter les tâches routinières avec une latence et une consommation de ressources moindres. Les organisations peuvent réserver les modèles plus grands aux problèmes pour lesquels leurs capacités supplémentaires changent le résultat.
La concurrence amplifie ces gains d’ingénierie. Les fournisseurs publient régulièrement des modèles plus petits conçus pour se rapprocher des performances de précédents modèles phares. Les modèles à poids ouverts permettent également à des hébergeurs indépendants de rivaliser sur l’efficacité du service.
Un article de recherche de 2026 intitulé The Price of Progress est parvenu à une conclusion plus prudente à partir de données d’Epoch AI et d’Artificial Analysis. Il a estimé des baisses annuelles d’un facteur cinq à dix pour des performances de benchmark comparables.
Les auteurs ont attribué cette baisse à l’efficacité matérielle, aux gains algorithmiques et à la concurrence économique. Après avoir tenté de séparer les effets du matériel et du marché, ils ont estimé à environ un facteur trois les progrès annuels issus de l’efficacité algorithmique.
Cette estimation est inférieure au rythme principal d’un facteur 13 avancé par Epoch AI. Cet écart ne rend aucune des deux analyses inutile. Il montre à quel point le résultat dépend des benchmarks, des seuils de performance, des ensembles de modèles et des définitions de frontière.
La métrique d’Epoch AI privilégie le modèle disponible le moins cher à chaque niveau de capacité. Ce cadre suppose un acheteur très actif, qui réévalue régulièrement le marché et bascule vers le leader actuel en matière de coût.
Les organisations réelles se comportent différemment. Elles consacrent du temps à tester les modèles, réécrire les prompts, vérifier la sécurité, mettre à jour les évaluations et renégocier les contrats. Ces coûts de changement empêchent de nombreux utilisateurs de capter l’intégralité de la baisse théorique.
L’étude constate également que les prix chutent le plus vite immédiatement après l’apparition d’un niveau de performance. Sur ses cinq benchmarks principaux, les performances proches de la frontière sont initialement devenues 66 % moins chères par trimestre.
Deux ans après les débuts d’un niveau de performance, la baisse trimestrielle estimée a ralenti à 32 %. Cela représente toujours une réduction annuelle rapide, mais moins spectaculaire que la course initiale.
Epoch AI suggère qu’une nouvelle capacité bénéficie brièvement d’une prime. Les concurrents la reproduisent ensuite ou s’en approchent, tandis que le fournisseur d’origine optimise les coûts de service. Cette prime se réduit à mesure que la capacité se généralise.
Ce schéma explique pourquoi la baisse globale peut dépasser la loi de Moore. Le marché n’attend pas une nouvelle génération de puces. Il cumule des améliorations logicielles, des modèles, des infrastructures et de la concurrence sur des gains matériels continus.
Il explique également pourquoi la tendance peut perdurer alors que les entreprises d’IA dépensent davantage dans les centres de données. Entraîner le modèle le plus performant et servir une capacité établie sont deux activités économiques distinctes.
Les laboratoires de pointe peuvent consacrer des ressources croissantes à la recherche tandis que les clients paient moins pour les performances d’hier. Le secteur rend simultanément la frontière plus coûteuse à créer et les capacités existantes moins chères à consommer.
Une intelligence moins chère met les fournisseurs de modèles sous pression
La baisse rapide des prix transforme les capacités brutes des modèles en un produit qui se déprécie, avec une fenêtre de plus en plus courte pour obtenir des rendements premium.
OpenAI, Anthropic, Google et d’autres développeurs de modèles rivalisent pour établir la frontière des performances. Cette position attire l’attention, les essais en entreprise et les développeurs à la recherche du système le plus performant disponible.
Les résultats d’Epoch AI suggèrent que cette avance perd rapidement de sa valeur économique. Sur les cinq benchmarks, les baisses les plus rapides sont apparues autour des niveaux de performance nouvellement atteints. La prime associée à un résultat de premier plan s’est ensuite affaiblie à mesure que les concurrents rattrapaient leur retard.
Cela crée un problème de revenus difficile. Un laboratoire a besoin d’investissements importants pour entraîner, évaluer, sécuriser et exploiter un modèle de pointe. Pourtant, le prix que les clients acceptent pour une capacité donnée peut baisser avant que ce modèle n’ait connu une longue vie commerciale.
L’analyse d’actualité originale a mis en évidence le défi qui en résulte pour la fidélité des clients. Si un modèle comparable devient moins cher en quelques mois, les acheteurs ont une raison de conserver des alternatives disponibles.
Les services d’IA tiers font face à une version encore plus aiguë de ce problème. Un produit qui se contente de revendre l’accès à un modèle peut être concurrencé par un autre service utilisant un modèle plus récent.
Les clients peuvent également remettre en question un engagement de longue durée envers un fournisseur unique. Le modèle préféré d’aujourd’hui pourrait perdre son avantage après le prochain cycle de publication. Une architecture figée peut transformer la baisse des coûts en amont en pression de migration.
La réponse du marché est déjà visible dans la conception des produits. Les fournisseurs rivalisent de plus en plus via les environnements de codage, les agents, les systèmes de fichiers, les connecteurs, la mémoire, les contrôles de sécurité et les options de déploiement.
Ces fonctionnalités créent une valeur qu’un benchmark ne mesure pas. Changer de modèle devient plus difficile lorsque le service environnant comprend les autorisations, la terminologie, les documents et le processus de révision d’une entreprise.
La fiabilité compte aussi. Une entreprise ne tire aucun bénéfice d’une réponse moins chère si celle-ci entraîne davantage de vérifications humaines. L’indicateur utile est le coût total nécessaire pour achever un travail acceptable, échecs et supervision compris.
La latence introduit une autre distinction. Deux modèles peuvent obtenir des scores similaires aux benchmarks tout en mettant des temps différents à répondre. Les produits interactifs accordent souvent plus de valeur à une vitesse prévisible qu’à une légère réduction des dépenses d’inférence.
La confidentialité et la gouvernance peuvent également primer sur le prix. Les acheteurs doivent savoir où vont les données, combien de temps les fournisseurs les conservent et si les administrateurs peuvent appliquer des règles d’accès.
Ces facteurs offrent aux fournisseurs établis des défenses face à une concurrence fondée uniquement sur le prix. Des interfaces familières, des intégrations existantes, des validations de sécurité et un contexte utilisateur accumulé créent tous des coûts de changement concrets.
Toutefois, ces défenses ne fonctionnent que lorsque le produit apporte une valeur au-delà du choix du modèle. Une interface légère dotée de prompts génériques offre peu de protection lorsque les substituts compétents deviennent abondants.
Les services indépendants les plus solides considéreront probablement les modèles comme une infrastructure interchangeable. Ils pourront acheminer les tâches simples vers des systèmes efficaces et réserver des capacités haut de gamme aux travaux difficiles.
Cette approche exige une évaluation plutôt que de la fidélité. Les développeurs ont besoin de tests représentatifs de leurs propres cas d’usage, incluant la qualité, la latence, les taux d’échec et la consommation de ressources de bout en bout.
Elle modifie également la manière dont les organisations devraient envisager l’approvisionnement en IA. La question n’est plus de savoir quel modèle unique remporte tous les benchmarks. Elle est de déterminer quel portefeuille produit des résultats acceptables pour différentes tâches.
Les produits intensifs en connaissances disposent d’un autre avantage. Un système qui organise les informations fiables d’un utilisateur peut conserver sa valeur même lorsque son modèle sous-jacent change. Le contexte accumulé appartient au flux de travail plutôt qu’à une génération de modèle.
C’est là qu’une base de connaissances IA peut devenir plus durable qu’un simple accès au chat. Sa valeur provient de la recherche, de l’organisation, des autorisations et de la continuité entre des travaux répétés.
La baisse des coûts des modèles peut améliorer les marges de ces produits. Ils peuvent utiliser des modèles plus puissants sans augmenter les coûts facturés aux clients, ou appliquer l’IA à davantage d’étapes au sein d’un flux de travail.
Cette même baisse peut nuire aux services qui concurrencent principalement par l’accès. À mesure que l’intelligence artificielle devient moins chère, la différenciation se déplace vers le contexte propriétaire, une exécution fiable et des résultats commerciaux mesurables.
Ce que les chiffres ne prouvent pas
Les baisses de prix ajustées aux benchmarks constituent une preuve réelle, mais elles ne forment pas une mesure universelle d’un travail utile ou fiable.
Epoch AI énonce directement plusieurs limites. Son jeu de données principal couvre environ trois ans, comporte des combinaisons incomplètes de modèles et de benchmarks, et inclut des estimations bruitées.
C’est une période courte pour comparer l’IA à des technologies mesurées sur plusieurs décennies. Le calcul, les batteries, le séquençage et l’électricité correspondent également à des produits, marchés et définitions de la performance différents.
Les comparaisons fournissent néanmoins une échelle historique. Toutefois, une réponse à un benchmark est moins standardisée physiquement qu’une unité d’électricité ou de capacité de batterie.
L’optimisation pour les benchmarks soulève une autre inquiétude. Les développeurs peuvent entraîner des modèles sur des tâches ressemblant aux évaluations populaires, volontairement ou indirectement. Les performances peuvent alors progresser plus vite sur le test que dans des situations réelles inconnues.
Epoch AI appelle ce risque le benchmaxxing. Des éléments de benchmark aléatoires peuvent réduire la reconnaissance et la mémorisation, mais ne peuvent éliminer toutes les formes de contamination ou d’optimisation ciblée.
Un score élevé ne garantit pas non plus un travail fiable. GPQA Diamond mesure les réponses à des questions scientifiques difficiles. Il ne mesure pas la capacité d’un modèle à maintenir un projet, à respecter une politique d’entreprise ou à éviter des erreurs coûteuses.
Les recommandations d’évaluation du NIST soulignent que les comparaisons de modèles dépendent des paramètres des tâches, des outils, des prompts, des niveaux de raisonnement, du nombre d’échantillons et des méthodes de notation. De petites différences de configuration peuvent modifier à la fois les performances et les dépenses.
Les évaluations CAISI montrent également pourquoi la mesure de bout en bout est importante. Un modèle aux tarifs par token plus faibles peut consommer davantage de tokens, utiliser plus d’appels d’outils ou échouer plus souvent. Son coût total par tâche peut donc dépasser celui d’un concurrent apparemment coûteux.
Les utilisateurs réels ne changent pas non plus de modèle aussi efficacement que le suppose la méthode de frontière d’Epoch AI. La migration exige des tests, un travail d’intégration, un examen des risques et la formation du personnel.
Une entreprise peut rationnellement conserver un fournisseur plus coûteux parce qu’il satisfait déjà aux exigences de sécurité. Une autre peut privilégier des sorties stables, car des changements perturberaient des flux de travail automatisés.
La demande peut absorber une partie des économies. Lorsqu’une tâche d’IA devient moins chère, les développeurs l’exécutent souvent plus fréquemment, élargissent le contexte, demandent davantage de propositions ou ajoutent des étapes de vérification.
Il s’agit d’une version de l’effet Jevons. Une efficacité accrue réduit le coût de chaque unité, mais la consommation totale peut augmenter suffisamment pour maintenir ou accroître les dépenses globales.
Les modèles de raisonnement renforcent cet effet. Un modèle de base plus efficace peut consacrer un calcul supplémentaire à vérifier une réponse ou à explorer des alternatives. Les utilisateurs obtiennent de meilleurs résultats sans nécessairement constater une baisse proportionnelle de leur utilisation totale.
Le rapport ne montre pas non plus que le développement de modèles de pointe est devenu peu coûteux. L’entraînement d’un nouveau modèle de premier plan requiert des ressources différentes de celles nécessaires pour fournir une capacité déjà connue.
Les équipes de recherche paient pour les expériences, la main-d’œuvre spécialisée, la préparation des données, l’évaluation et l’infrastructure. Ces coûts peuvent augmenter alors même que l’inférence pour des tâches établies devient considérablement moins chère.
Cette distinction résout une contradiction apparente. Les fournisseurs de modèles peuvent annoncer d’immenses programmes d’infrastructure tandis que le prix de leur production, ajusté à la performance, continue de baisser.
Le rapport soutient donc une conclusion limitée mais importante. Une capacité mesurée comparable est devenue beaucoup moins chère à la frontière du marché.
Il ne prouve pas que toutes les charges de travail s’améliorent au même rythme. Il ne garantit pas une sécurité, une fiabilité, une confidentialité, une latence ou une qualité d’intégration équivalentes.
Les acheteurs devraient considérer le taux trimestriel de 47 % comme un signal de marché, et non comme une prévision budgétaire. La direction semble solidement étayée. Le rythme exact reste sensible aux choix de mesure et au comportement des utilisateurs.
Trois signaux qui mettront à l’épreuve la baisse des coûts de l’IA
Le prochain test consistera à déterminer si les économies observées sur les benchmarks résistent aux charges de travail réelles, à l’économie des fournisseurs et aux comportements de changement au quotidien.
Le premier signal est le coût de bout en bout des tâches, mesuré indépendamment. Davantage d’évaluations devraient comparer la dépense totale nécessaire pour mener à bien des flux de travail de programmation, de recherche, de support client et de documentation.
Ces tests nécessitent des ensembles de tâches stables, des outils contrôlés et des seuils de qualité clairs. Ils devraient inclure les nouvelles tentatives, les tokens de raisonnement, les appels d’outils, la latence et la révision humaine.
Si ces mesures diminuent à un rythme proche de l’estimation d’Epoch AI, les implications commerciales du rapport se renforceront. Une baisse beaucoup plus lente montrerait que les économies des benchmarks surestiment les gains pratiques.
Le deuxième signal est la tarification et le packaging des produits par les fournisseurs. Les fournisseurs de modèles peuvent répondre à la baisse des prix d’inférence en réduisant leurs tarifs, en augmentant les quotas d’utilisation ou en regroupant des capacités dans des abonnements plus larges.
Ils peuvent également protéger leurs revenus grâce aux plateformes d’agents, aux contrôles d’entreprise, au stockage et aux outils propriétaires. Ces ajouts confirmeraient que la concurrence se déplace au-dessus du modèle de base.
Observez la fréquence à laquelle les fournisseurs remplacent les fonctionnalités premium par un accès standard. Une migration rapide de l’exclusivité des modèles phares vers des modèles plus petits étayerait la conclusion d’Epoch AI sur le caractère éphémère des primes de pointe.
Le troisième signal est le changement de fournisseur par les clients. Le calcul de frontière suppose que les acheteurs choisissent à plusieurs reprises le modèle compétent le moins cher. Les données d’adoption réelles montreront s’ils se comportent effectivement ainsi.
Les développeurs peuvent adopter des systèmes de routage qui envoient chaque tâche vers un modèle approprié. Les entreprises peuvent exiger des clauses de portabilité et des évaluations standardisées avant de prendre des engagements de longue durée.
À l’inverse, des flux de travail intégrés peuvent maintenir les clients auprès d’un seul fournisseur malgré de grandes différences de prix. Un tel résultat affaiblirait l’affirmation selon laquelle la baisse des prix liés à la performance détruit automatiquement la fidélité aux fournisseurs.
Les modèles à poids ouverts influenceront les trois signaux. Ils donnent aux hébergeurs indépendants davantage de liberté pour optimiser le déploiement et défier les fournisseurs fermés sur les coûts. Ils transfèrent également davantage de responsabilité en matière de sécurité, de maintenance et d’évaluation à l’opérateur.
Le résultat probable ne sera pas une course uniforme vers le tarif le plus bas. Les marchés de l’IA se sépareront en couches.
Au niveau des modèles, une capacité comparable devrait continuer de subir une pression sur les prix. Au niveau des applications, les fournisseurs rivaliseront par le contexte, la propriété des flux de travail, la confiance et la qualité d’exécution.
Pour les développeurs, la réponse pratique consiste à préserver l’optionalité. Gardez des interfaces de modèles modulaires, maintenez des ensembles d’évaluation et mesurez l’achèvement réussi des tâches plutôt que la seule consommation de tokens.
Les acheteurs d’entreprise devraient également raccourcir leurs hypothèses sur la stabilité des coûts. Un contrat qui semble efficace aujourd’hui peut rapidement devenir non compétitif, même lorsque le service sous-jacent reste performant.
Les travailleurs du savoir devraient s’attendre à voir les fonctionnalités d’IA se diffuser dans davantage de produits. La baisse des coûts d’inférence rend la synthèse, la recherche, la rédaction, la classification et le traitement en arrière-plan économiques dans davantage de situations.
Le rapport d’Epoch AI sur les coûts ne tranche pas la question de la rentabilité du secteur. Il montre que l’accès à un niveau fixe d’intelligence mesurée perd sa rareté à une vitesse inhabituelle.
La question est désormais concrète pour chaque produit d’IA : si la capacité des modèles devient 13 fois moins chère en un an, quelle valeur reste unique ? Les produits disposant d’un contexte fiable et de flux de travail robustes ont une réponse. Les services qui vendent peu plus que l’accès aux modèles doivent encore en trouver une.
