OpenAI face à la dure réalité économique de l’IA grand public

OpenAI a réorienté ses ressources vers les produits destinés aux entreprises malgré les plus de 900 millions d’utilisateurs hebdomadaires de ChatGPT. Ce revirement résume la dure réalité économique de l’IA grand public. Une audience immense génère de l’influence, des données et des habitudes, mais chaque conversation supplémentaire consomme aussi une capacité de calcul limitée.

Le marché ne rejette pas les assistants d’IA. Les dépenses des consommateurs continuent d’augmenter, tandis que Meta et plusieurs startups constatent une nouvelle demande pour les agents personnels. Le conflit se trouve au cœur de cette croissance. Les consommateurs attendent un abonnement prévisible ou un accès gratuit, mais le coût de leur service augmente avec l’usage.

Anthropic propose le modèle opposé le plus clair. L’entreprise a bâti son activité autour des développeurs et des entreprises, où l’usage peut être mesuré et relié à un travail à forte valeur. OpenAI, Meta et une nouvelle génération d’agents grand public doivent désormais démontrer que l’adoption massive peut soutenir une économie comparable.

L’IA grand public revient, mais pas son modèle économique

Une nouvelle vague d’agents personnels a ravivé l’intérêt des consommateurs sans résoudre la question des revenus durables pour leurs créateurs.

L’assistant Muse de Meta, Dots d’OpenAI et la startup Instinct représentent la dernière tentative pour faire de l’IA un service grand public du quotidien. Ces produits promettent davantage qu’un chatbot passif. Ils peuvent planifier des courses, effectuer des réservations, organiser des voyages et aider les utilisateurs à accomplir des tâches dans d’autres services.

Cette distinction compte. L’IA agentique désigne des systèmes capables d’enchaîner des actions vers un objectif, au lieu de se contenter de produire une réponse. Une meilleure fiabilité rend ces agents plus utiles, mais elle encourage aussi des sessions plus longues et davantage de calcul.

Instinct a déjà attiré l’attention des investisseurs grâce à sa capacité à gérer des courses et des démarches. Meta peut intégrer Muse à une vaste plateforme grand public et l’appuyer sur une activité publicitaire établie. OpenAI peut relier Dots à l’audience et aux habitudes déjà créées par ChatGPT.

L’opportunité produit est donc réelle. Les gens accordent de la valeur aux assistants qui réduisent le travail administratif, mémorisent leurs préférences et accomplissent des tâches en plusieurs étapes. L’analyse de l’IA grand public qui a lancé ce débat ne soutenait pas le contraire.

Le changement est que ces produits arrivent après des années d’expérimentation de la monétisation grand public par les laboratoires de pointe. Ils savent désormais que popularité et rentabilité ne progressent pas automatiquement de concert. Chaque interaction réussie avec un agent entraîne un coût réel de service, tandis que le consommateur paie généralement un montant fixe, voire rien du tout.

Cela crée un problème de croissance inhabituel. Les logiciels traditionnels peuvent devenir moins coûteux à servir à mesure que leur audience s’étend, car une seule copie peut atteindre des millions de clients. L’IA générative doit effectuer un nouveau calcul pour presque chaque demande.

Un agent peut être encore plus exigeant. Il peut interpréter un objectif, consulter plusieurs sources, appeler des outils externes, vérifier son travail et répéter les étapes échouées. Une tâche qui semble être une seule demande pour l’utilisateur peut devenir de nombreuses opérations de modèle en coulisses.

Cela ne signifie pas que chaque interaction est déficitaire. Les fournisseurs utilisent des modèles plus petits, des données mises en cache, des systèmes spécialisés et des limites afin de maîtriser la consommation. Le problème est que les utilisateurs intensifs peuvent générer un coût bien supérieur à celui des utilisateurs occasionnels avec le même abonnement forfaitaire.

Les produits grand public font aussi face à une faible tolérance à la friction. Des limites restrictives affaiblissent la promesse d’un assistant toujours disponible. Une facturation à l’usage rend l’expérimentation risquée. La publicité peut créer des conflits lorsqu’un agent recommande des produits, des services ou des destinations.

Le résultat est un retour en force sur des fondations non résolues. Muse, Dots et Instinct peuvent conquérir des utilisateurs avant d’avoir démontré la solidité de leur économie à long terme. Cette stratégie peut créer une distribution précieuse, mais elle reporte la question la plus difficile au lieu d’y répondre.

Une demande en hausse ne garantit pas des marges saines

La demande pour l’IA grand public progresse rapidement, mais la croissance seule ne peut prouver que chaque utilisateur supplémentaire améliore l’activité sous-jacente.

Les récentes données de paiement indiquent fortement que les consommateurs veulent toujours des abonnements d’IA. Consumer Edge a constaté que les dépenses suivies dans cette catégorie ont augmenté de 150 % à 170 % sur un an pendant cinq trimestres consécutifs. La période la plus récente est restée proche du haut de cette fourchette.

Les mêmes données sur les dépenses des consommateurs montraient qu’OpenAI détenait environ la moitié des dépenses suivies. Anthropic était passé de moins de 5 % en janvier 2025 à environ 30 % à la fin août 2026.

Ce n’est pas le profil d’une catégorie qui perd l’intérêt du public. Cela suggère qu’un plus grand nombre de personnes trouvent des raisons de payer, tandis que la concurrence élargit le marché. Anthropic a gagné de nombreux abonnés qui n’avaient pas récemment payé OpenAI, plutôt que de simplement lui prendre ses clients existants.

Toutefois, la croissance de la catégorie et la rentabilité des fournisseurs mesurent des choses différentes. Les données de paiement enregistrent ce que dépensent les consommateurs. Elles ne révèlent pas combien de calcul chaque client utilise ni combien le fournisseur paie pour le lui fournir.

D’autres estimations d’adoption varient aussi considérablement. Des recherches citées par TechCrunch situaient la part des consommateurs payants à quelques pourcents seulement. Une enquête distincte a relevé un usage quotidien bien plus répandu ainsi qu’un taux de paiement plus élevé parmi ces utilisateurs.

Ce désaccord reflète des échantillons et des définitions différents. Une banque peut voir les transactions enregistrées, mais pas l’usage gratuit. Une enquête peut capturer les comportements entre différents services, mais les réponses peuvent ne pas correspondre aux relevés de facturation. Aucune de ces méthodes ne fournit un compte de résultat complet pour un fournisseur d’IA.

Même l’indicateur de demande le plus solide laisse apparaître un plafond difficile. Les budgets des ménages comprennent de nombreux abonnements concurrents, du divertissement et du stockage cloud aux logiciels de productivité. Un modèle plus intelligent ne convainc pas automatiquement les consommateurs d’augmenter ce budget.

Les améliorations des modèles peuvent aussi devenir invisibles pour le grand public. Un chercheur peut observer un meilleur raisonnement lors d’évaluations difficiles. Un consommateur demandant des idées de repas, des résumés de documents ou des suggestions de voyage peut percevoir une différence pratique moindre.

Cela affaiblit le lien entre progrès technique et volonté de payer. Le développement de pointe exige des investissements continus, mais un abonnement grand public ne peut pas augmenter à chaque sortie d’un modèle plus performant.

La stratégie d’OpenAI reconnaît elle-même cet écart. L’entreprise affirme que son activité associe désormais abonnements grand public, offres pour le monde du travail, publicité, commerce et API facturées à l’usage. Sa déclaration sur son modèle économique décrit la capacité de calcul comme la ressource d’IA la plus rare.

Cette combinaison est importante. L’accès gratuit et payant pour les consommateurs peut instaurer une habitude. Le commerce et la publicité peuvent monétiser l’attention. Les produits professionnels et les API peuvent facturer proportionnellement à un usage mesurable.

La dure réalité économique de l’IA grand public commence lorsque ces rôles sont confondus. Une vaste audience gratuite peut avoir une valeur stratégique sans être rentable de façon autonome. Un abonnement payant peut générer des revenus récurrents sans couvrir l’activité de chaque utilisateur intensif.

Les développeurs, acheteurs et utilisateurs devraient donc distinguer l’engagement de la marge. L’activité hebdomadaire prouve qu’un produit compte. Elle ne montre pas que ses revenus progressent plus vite que les coûts de calcul, de recherche, de sécurité et de distribution nécessaires à son maintien.

La dure réalité économique de l’IA grand public commence à chaque prompt

L’IA grand public combine des revenus fixes à un usage variable, créant un décalage qui devient plus visible à mesure que les assistants accomplissent des tâches plus longues et plus complexes.

L’inférence est le processus qui consiste à exécuter un modèle entraîné afin de répondre à une demande. Chaque réponse consomme des puces, de la mémoire, de l’électricité, des réseaux et de la capacité de centre de données. Les fournisseurs peuvent réduire ces intrants, mais ils ne peuvent pas faire disparaître le coût marginal.

Le modèle d’abonnement forfaitaire masque cette relation. Deux personnes peuvent payer le même montant tout en générant des charges de travail radicalement différentes. L’une peut poser quelques courtes questions chaque semaine. L’autre peut téléverser de gros fichiers, générer des médias, lancer des sessions de programmation ou déléguer des recherches en plusieurs étapes.

C’est pourquoi la question de savoir pourquoi l’IA grand public perd de l’argent ne peut pas être tranchée à partir du seul nombre d’abonnés. L’unité pertinente n’est pas seulement un client. C’est la combinaison de clients, de modèles, de prompts, de sorties, d’appels d’outils et d’infrastructures utilisés pendant la période de facturation.

La situation financière d’OpenAI illustre cette pression. Des documents financiers examinés par des journalistes montraient une forte hausse des revenus en 2025. Ils montraient aussi que les dépenses de recherche, le coût des revenus et les pertes d’exploitation avaient augmenté à des niveaux absolus bien plus élevés.

Selon les documents financiers rapportés, OpenAI a enregistré 13,07 milliards de dollars de revenus en 2025. Son coût des revenus a atteint 7,5 milliards de dollars, tandis que ses dépenses de recherche et développement se sont élevées à 19,18 milliards de dollars.

Ces chiffres couvrent l’entreprise dans son ensemble, et non un segment grand public isolé. Ils ne permettent pas d’établir la marge exacte d’un utilisateur de ChatGPT ou d’un prompt individuel. Ils montrent néanmoins pourquoi une croissance rapide des revenus ne clôt pas le débat sur la rentabilité.

OpenAI affirme que ses revenus et sa capacité de calcul disponible ont tous deux été multipliés par environ dix entre 2023 et 2025. Cette croissance parallèle appuie l’idée de l’entreprise selon laquelle une plus grande capacité stimule l’adoption. Elle démontre aussi à quel point l’expansion commerciale reste liée à l’infrastructure.

Les gains d’efficacité offrent une issue possible. Les fournisseurs peuvent acheminer les questions simples vers des modèles plus petits, réutiliser les résultats mis en cache, compresser le contexte et améliorer l’utilisation du matériel. Un modèle peut coûter moins cher à servir tout en gagnant en qualité.

Pourtant, l’efficacité peut stimuler davantage d’usage. Des réponses plus rapides et moins chères encouragent les gens à soumettre plus de demandes. Les agents ajoutent un travail en arrière-plan qui ne faisait pas partie des anciennes sessions de chatbot. Les nouvelles fonctions d’image, de voix, de vidéo et de programmation introduisent des charges de travail supplémentaires.

Cet effet complique l’économie de l’IA grand public d’OpenAI. Un coût inférieur par opération aide, mais le coût total peut tout de même augmenter lorsque chaque personne effectue davantage d’opérations. Le fournisseur doit faire en sorte que l’efficacité dépasse à la fois la croissance de l’audience et l’intensité croissante des usages.

La conception du produit devient un système de contrôle économique. Les limites d’usage, les files d’attente, l’acheminement des modèles et les restrictions de fonctionnalités ne sont pas seulement des décisions techniques. Ils déterminent la quantité d’intelligence coûteuse qu’un paiement fixe peut inclure en toute sécurité.

Ces contrôles peuvent nuire à la confiance lorsqu’ils sont imprévisibles. Un assistant qui devient indisponible lors d’une tâche urgente a moins de valeur. Un modèle qui change silencieusement peut produire des résultats incohérents. Une allocation restrictive peut décourager les utilisateurs de mettre en place des flux de travail fiables.

La consommation mesurée résout une partie du décalage, car les revenus augmentent avec le travail effectué. Toutefois, les consommateurs souhaitent rarement recevoir une facture incertaine pour un assistant du quotidien. Les entreprises sont davantage habituées aux budgets d’usage, aux factures cloud et aux engagements négociés.

Cette préférence explique l’écart croissant entre l’IA grand public et l’IA d’entreprise. Les deux groupes peuvent utiliser des modèles sous-jacents similaires, mais leur comportement d’achat diffère. Les entreprises peuvent relier une dépense au temps des employés, au développement logiciel, au support client ou aux transactions réalisées.

Un consommateur compare souvent un assistant à d’autres services mensuels. Une entreprise le compare à la masse salariale, aux prestataires, à l’infrastructure ou à la perte de productivité. Cela donne au fournisseur davantage de latitude pour aligner le prix sur la valeur économique.

Anthropic a transformé son orientation entreprise en pression concurrentielle

Anthropic a montré qu’un laboratoire de pointe peut renoncer à dominer le marché grand public tout en gagnant en influence grâce à une forte demande en milieu professionnel.

La principale compétition ne porte plus uniquement sur la qualité des modèles entre OpenAI et Anthropic. Elle oppose l’échelle grand public à la monétisation en entreprise. OpenAI a acquis une notoriété publique inégalée, tandis qu’Anthropic s’est davantage concentré sur les développeurs et les flux de travail organisationnels.

Ce positionnement détermine la manière dont chaque entreprise alloue une capacité de calcul rare. Une requête grand public peut créer de la fidélité ou renforcer la distribution. Une charge de travail professionnelle peut justifier un contrat, s’étendre à toute une équipe et s’intégrer dans un processus récurrent.

Cette différence ne rend pas les revenus d’entreprise faciles à obtenir. Les entreprises exigent sécurité, fiabilité, gouvernance, intégration et résultats mesurables. Elles peuvent aussi négocier durement et changer de fournisseur à mesure que les modèles progressent.

Pourtant, le travail en entreprise offre des moyens plus clairs de fixer un prix à la valeur. Un système de programmation par IA peut être évalué par rapport au temps d’ingénierie. Un assistant de support peut être mesuré à travers la rapidité de résolution. Un flux de recherche peut être comparé aux coûts existants de main-d’œuvre et de logiciels.

L’élan d’Anthropic a accru la pression sur OpenAI pour concurrencer ces usages. Des données de Ramp citées par Axios indiquaient qu’Anthropic avait capté plus de 73 % des dépenses des entreprises achetant des outils d’IA pour la première fois sur une période du début de 2026.

Le changement dans les dépenses des entreprises ne reflétait qu’un échantillon limité des clients de Ramp, et non l’ensemble du marché. Il a néanmoins fourni un signal visible : les acheteurs en entreprise ne suivaient pas automatiquement la popularité auprès du grand public.

OpenAI a réagi en resserrant ses priorités. Sa directrice financière a déclaré que les clients professionnels représentaient environ 20 % du chiffre d’affaires lorsqu’elle a rejoint l’entreprise en 2024. En 2026, cette part avait atteint 40 %, et l’entreprise s’attendait à une poursuite de la croissance.

L’entreprise a également réorienté des ressources de certaines initiatives grand public vers des modèles destinés aux entreprises. Selon une interview d’une dirigeante, environ 95 % des utilisateurs hebdomadaires de ChatGPT ne payaient pas.

Cette audience reste stratégiquement importante. Les consommateurs introduisent des outils au travail, créent de la demande au sein des équipes et influencent les produits adoptés par les entreprises. Un service grand public populaire peut devenir un canal de distribution pour les ventes aux entreprises.

Le renversement est que le leadership grand public ressemble de plus en plus au sommet d’un tunnel de conversion professionnel, plutôt qu’au modèle économique final. OpenAI peut utiliser ChatGPT pour instaurer confiance et familiarité, puis vendre aux organisations un accès plus prévisible.

Ce schéma rappelle les précédents marchés des logiciels grand public. Des outils populaires entraient souvent dans les entreprises par l’intermédiaire de salariés avant que les éditeurs n’ajoutent des fonctions de gestion, de sécurité, de collaboration et d’approvisionnement. L’IA accroît cette pression car les coûts de service sont plus élevés.

L’IA grand public face à l’IA d’entreprise n’est donc pas un choix entre utilité et bureaucratie. C’est un choix entre deux structures de revenus. L’une maximise la portée dans les limites strictes des dépenses des ménages. L’autre vise un usage plus restreint, avec une justification économique plus solide.

Anthropic fait toujours face à des coûts importants, et sa concentration sur les entreprises comporte des risques. Les grands clients peuvent exiger des remises, un support sur mesure et une capacité dédiée. Les revenus peuvent se concentrer auprès d’un petit groupe d’acheteurs.

Les éléments disponibles ne prouvent pas non plus que la stratégie grand public d’OpenAI a échoué. Une audience publique massive crée des options dans le commerce, la publicité, les appareils et les partenariats. Elle peut aussi générer des retours produit qu’un concurrent centré d’abord sur l’entreprise ne peut égaler.

La conclusion plus limitée est plus solide. Les laboratoires de pointe ne considèrent plus l’échelle grand public comme suffisante. Qu’ils aient commencé avec des chatbots publics ou des API pour développeurs, ils convergent vers des flux de travail professionnels capables d’absorber le coût des modèles avancés.

Meta et les agents IA disposent d’autres moyens de monétisation

Meta et les agents orientés vers les transactions peuvent remettre en cause le modèle d’abonnement classique, mais les sources de revenus alternatives introduisent leurs propres contraintes.

Meta aborde l’IA grand public avec un avantage que les laboratoires indépendants ne possèdent pas. L’entreprise exploite déjà de vastes réseaux grand public et un système publicitaire fondé sur la personnalisation. Muse n’a pas besoin de devenir immédiatement une activité autonome par abonnement.

Un assistant peut renforcer les produits existants de Meta en augmentant l’engagement, en améliorant les recommandations ou en créant de nouveaux espaces publicitaires. L’entreprise peut accepter un chemin plus long vers une monétisation directe si l’assistant soutient des revenus ailleurs.

Cette subvention croisée modifie l’équation, sans éliminer les coûts. Un assistant performant peut créer une charge d’inférence substantielle. Meta doit déterminer à quel moment une interaction IA améliore suffisamment l’ensemble de la plateforme pour justifier cette dépense.

La publicité devient également sensible lorsqu’un assistant agit au nom de l’utilisateur. Un fil traditionnel recommande du contenu tout en rendant visibles ses motivations commerciales. Un agent personnel peut sembler fournir un conseil neutre avant de choisir un restaurant, un produit ou un service.

Si un placement payant influence ce choix, la transparence et la confiance des utilisateurs deviennent centrales. Si la publicité ne l’influence jamais, l’assistant pourrait ne pas profiter pleinement du moteur économique existant de Meta. L’entreprise doit clairement séparer l’assistance de la promotion.

Instinct explore une autre possibilité : les revenus transactionnels. Un agent qui réserve un voyage, résilie un abonnement ou achète des biens peut être rémunéré lorsqu’il réalise une action. Les revenus sont alors liés aux résultats plutôt qu’au volume de conversations.

Cette approche relève le plafond au-delà d’un abonnement grand public forfaitaire. Une transaction finalisée de grande valeur peut financer davantage de calcul qu’une conversation informelle. Elle aligne aussi le paiement sur le moment où l’agent a démontré une valeur concrète.

Toutefois, l’économie des transactions dépend de l’intention des utilisateurs et de la participation des marchands. De nombreuses tâches IA utiles ne se concluent pas par un achat. Les consommateurs peuvent résister à un agent qui les oriente vers les partenaires offrant la commission la plus élevée.

Les startups peuvent aussi éviter une partie des coûts de recherche en utilisant des modèles conçus par des laboratoires de pointe. Cela réduit le capital nécessaire pour entraîner un modèle de fondation, c’est-à-dire un système généraliste entraîné sur de vastes ensembles de données. Cela n’élimine ni les frais d’inférence ni le risque de dépendance.

Un fournisseur de modèles peut modifier ses conditions, ses limites ou sa disponibilité. Une startup peut avoir besoin de plusieurs fournisseurs pour gérer la fiabilité et les coûts. La différenciation du produit doit alors venir de la conception des flux de travail, de la mémoire, de la distribution, de la confiance et des intégrations.

Pour les utilisateurs, le contexte personnel peut devenir un avantage important. Un assistant qui comprend les projets antérieurs, les documents, les préférences et les engagements peut accomplir des tâches avec moins d’explications répétées. Une base de connaissances personnelle bien entretenue peut rendre ces interactions plus cohérentes.

Ce contexte soulève également des préoccupations en matière de confidentialité et de sécurité. Les agents qui gèrent des réservations, des messages, des décisions financières et des documents de travail ont besoin d’autorisations étendues. Une seule action erronée peut avoir plus d’importance qu’une réponse incorrecte d’un chatbot.

Le modèle commercial peut intensifier ces préoccupations. La publicité récompense l’attention. Les commissions récompensent les transactions. Les contrats d’entreprise récompensent l’adoption au travail. Aucun ne représente parfaitement les intérêts de l’utilisateur dans toutes les situations.

Les agents grand public les plus crédibles rendront ces incitations compréhensibles. Les utilisateurs devraient savoir lorsqu’une réponse est sponsorisée, lorsqu’une transaction génère une rémunération et lorsque des données soutiennent une autre partie de l’activité du fournisseur.

La difficile économie de l’IA grand public ne rend pas les modèles alternatifs impossibles. Elle rend les subventions cachées et les incitations floues moins durables. Meta et les startups d’agents disposent de davantage d’options qu’un laboratoire reposant uniquement sur les abonnements, mais chaque option modifie la relation avec le produit.

Trois signaux indiqueront si l’équation évolue

La prochaine phase dépendra de la part des entreprises, des marges ajustées à l’usage et de preuves que les agents peuvent monétiser le travail accompli sans affaiblir la confiance des utilisateurs.

Le premier signal concerne la répartition des revenus d’OpenAI. La direction s’attend à ce que les clients professionnels contribuent à une part plus importante des ventes. Si cela se produit alors que l’usage de ChatGPT reste fort, la portée grand public apparaîtra de plus en plus comme un canal d’acquisition pour les produits destinés au travail.

Ce résultat renforcerait l’argument central. OpenAI pourrait conserver un vaste service public tout en utilisant les revenus d’entreprise pour financer une recherche et une infrastructure coûteuses. L’IA grand public resterait stratégiquement essentielle sans devoir porter l’ensemble de l’entreprise.

Un renversement serait tout aussi instructif. Si de nouveaux produits grand public génèrent des revenus significatifs via la publicité, le commerce ou les abonnements, OpenAI pourrait démontrer que l’intelligence destinée au marché de masse soutient un moteur économique plus large.

Le deuxième signal est de savoir si les fournisseurs révèlent une amélioration des marges par rapport à l’usage. La croissance des revenus ne suffit plus à elle seule. Les investisseurs et les clients ont besoin de preuves que servir une activité supplémentaire consomme une part plus faible des revenus.

Surveillez les améliorations liées au routage des modèles, aux puces personnalisées, à la mise en cache, aux modèles plus petits et à l’utilisation des centres de données. Ces changements ne comptent que si les économies persistent après l’adoption par les utilisateurs de fonctions plus intensives.

La bonne comparaison n’est pas le coût par token pris isolément. C’est le coût nécessaire pour accomplir une tâche utile. Un agent qui utilise davantage de tokens mais termine un travail de valeur peut avoir une meilleure économie qu’un chatbot bon marché qui produit une réponse inutilisable.

C’est aussi là que les travailleurs du savoir devraient être attentifs. Les limites et le choix des modèles détermineront quelles tâches resteront accessibles dans les formules grand public. Les flux de travail à forte valeur et très intensifs en calcul sont susceptibles de migrer vers des produits professionnels ou facturés à l’usage.

Le troisième signal concerne la qualité des transactions réalisées par des agents tels qu’Instinct et par des assistants de plateforme tels que Muse. Les achats finalisés ne régleront pas à eux seuls la question. L’élément décisif sera la répétition de l’usage sans hausse des plaintes concernant l’orientation, les erreurs, la confidentialité ou un sponsoring peu clair.

Des revenus transactionnels fiables affaibliraient l’idée selon laquelle les contrats d’entreprise sont la seule voie au-delà des abonnements grand public. Ils donneraient aux agents IA une structure économique plus proche des places de marché et des plateformes de paiement.

Une faible rétention ou des problèmes de confiance renforceraient le virage vers l’entreprise. Les entreprises peuvent négocier des règles, des audits et des garanties de service. Les utilisateurs individuels disposent de moins de leviers, au-delà du départ du service.

Les développeurs devraient observer les mêmes signaux sous un autre angle. Si les agents grand public peinent à se monétiser, les propriétaires de plateformes resserreront les usages, privilégieront des modèles moins coûteux ou chercheront davantage de revenus via les intégrations. Ces décisions affecteront l’accès aux API et les produits tiers.

Les acheteurs en entreprise devraient éviter de supposer que la popularité d’un fournisseur garantit sa pérennité. Ils devraient évaluer les limites du service, les contrôles des données, la structure tarifaire et la dépendance à une infrastructure externe. Un fournisseur qui subventionne aujourd’hui un usage intensif pourrait repenser l’accès plus tard.

Les consommateurs devraient s’attendre à davantage de segmentation. L’accès gratuit peut rester étendu, tandis que les agents avancés, les tâches plus longues et les flux de travail persistants migrent vers des expériences payantes ou sponsorisées. La frontière reflétera autant le coût du service que la sophistication du produit.

La difficile économie de l’IA grand public ne prouve pas que les gens rejettent cette technologie. Elle révèle le problème inverse : les gens veulent l’utiliser fréquemment, pour des tâches toujours plus exigeantes, sans penser au calcul nécessaire derrière chaque action.

Les entreprises qui perdureront sauront transformer cette demande en revenus sans donner l’impression que l’assistant est peu fiable ou imprévisible. Observez ce qu’elles limitent, quelles charges de travail elles intègrent à leurs produits professionnels, et avec quelle clarté elles divulguent leurs incitations commerciales. Ces choix montreront si l’IA grand public a trouvé un marché durable ou demeure la stratégie d’acquisition la plus coûteuse du secteur.