L’ère de l’IA subventionnée est finie. La facture arrive partout.

On a tous tenu le même pari : l’inférence allait devenir presque gratuite, alors autant coller de l’IA dans chaque produit et chaque workflow. Sauf que la courbe des coûts s’est mise à plier dans le mauvais sens. Microsoft annule des licences Claude Code en interne, Uber a cramé tout son budget IA 2026 en quatre mois [1]. Et au bout de la chaîne, c’est le smartphone à 40 dollars de Lagos qui disparaît. Une seule cause, des conséquences partout.

Le retour brutal au prix API

Le signal le plus net vient des entreprises qui découvrent leurs factures. Simon Willison a fait le calcul sur son propre usage : 2 180 dollars de tokens consommés en un mois, facturés 200 dollars grâce aux forfaits Max et Pro [2]. La bonne affaire du siècle pour un power user. Sauf que ces forfaits étaient un subside, pas un modèle économique.

Depuis avril 2026, Anthropic et OpenAI ont tous les deux aligné leurs offres entreprise sur le prix API réel : 20 dollars par siège plus la consommation, fini les remises extrêmes [2]. Les clients le découvrent au renouvellement de leurs contrats annuels. Et Willison y voit moins une mauvaise nouvelle qu’un signal de maturité : les agents de code sont devenus assez utiles pour que des professionnels très bien payés les utilisent toute la journée. C’est ça, le product-market fit. Le problème, c’est qu’il coûte cher.

Le paradoxe : tokens moins chers, factures plus lourdes

Comment des entreprises ont-elles pu se faire surprendre à ce point ? Parce qu’on a oublié la pensée du second ordre. Oui, le coût par token a baissé, parfois 10x d’une génération à l’autre. Mais c’est exactement le piège de la demande induite [1] : élargissez une autoroute, vous créez de nouveaux trajets ; baissez le coût de l’inférence, vous décuplez ce qu’on demande au modèle.

Le coût unitaire baisse, les unités explosent, et la dépense totale grimpe quand même.

C’est précisément ce que vivent les grands groupes. Microsoft a poussé ses milliers de devs à adopter Claude Code, et l’outil est devenu populaire — peut-être trop. Chez Meta, un salarié a même bâti un tableau de bord baptisé « Claudeonomics » pour classer qui consomme le plus de tokens [3]. Le VP applied deep learning de Nvidia le dit sans détour : pour son équipe, le coût du compute dépasse désormais le coût des employés. Le calcul « remplacer un humain par de l’IA » se révèle bien plus tordu que les premières projections.

La vraie cause est physique : le mur de la mémoire

Si les labs montent leurs prix, ce n’est pas par cupidité, c’est de la tarification de pénurie. Le goulot n’est plus le transistor, c’est la mémoire à haute bande passante (HBM) et le packaging avancé qui la colle à la puce de calcul. Selon Epoch AI, la HBM est passée de 52 % à 63 % du coût des composants d’une puce IA entre début 2024 et fin 2025 [4]. La mémoire est devenue le poste numéro un.

Et l’offre ne suit pas : la ligne CoWoS de TSMC est le vrai bottleneck, SK Hynix domine une HBM dont les prix ont quadruplé en 18 mois, et personne n’ajoute de capacité en moins de 18 à 36 mois [1]. Morgan Stanley estime que le bill of materials des nouveaux NVIDIA VR200 sera 95 % plus élevé, la mémoire pesant à elle seule pour une hausse de 435 %. Les transistors progressent vite, la DRAM beaucoup moins — autour de 7 % par an historiquement. C’est le vieux « memory wall » que les architectes connaissent depuis trente ans, sauf qu’il vient de devenir un problème de P&L.

Et au bout de la chaîne, le smartphone à 40 dollars

Voilà où l’histoire devient vertigineuse. La mémoire est une ressource mondiale et inélastique. Comme l’IA en aspire des quantités énormes et très rentables, elle siphonne le stock destiné aux ordinateurs et aux téléphones [5]. Résultat : l’IDC prévoit en 2026 la plus forte chute des livraisons de smartphones jamais enregistrée, -13 % au niveau mondial et plus de 20 % en Afrique et au Moyen-Orient, concentrée sur l’entrée de gamme. Un « reset structurel » du marché.

Le smartphone à 30-120 dollars qui a mis Internet dans la poche de centaines de millions de personnes pauvres est en train de mourir. Et l’auteur prévient : le monde riche n’est que le prochain sur la liste. La même tension qui fait exploser les budgets IA des grandes boîtes est en train de priver d’accès numérique les plus précaires de la planète.

Le paradoxe de la valorisation

Pendant ce temps, Anthropic boucle une levée de 30 milliards de dollars à plus de 900 milliards de valorisation [6]. Le marché parie sur un futur où la demande sera infinie. Sur le terrain, le CFO d’Anthropic a témoigné sous serment avoir dépensé 10 milliards de compute pour 5 milliards de revenus [1]. Les deux affirmations peuvent être vraies en même temps : produit qui marche enfin, économie unitaire encore sous l’eau.

Pour nous qui construisons avec ces outils, la question change de nature. Ce n’est plus « où peut-on ajouter de l’IA ? » mais « quels usages méritent vraiment le coût d’inférence qu’ils brûlent ? ». Et côté pricing, le facturé au siège — celui qui fait semblant que les coûts sont fixes — devient intenable [1].

La vraie question, c’est peut-être celle-ci : combien de produits IA que vous utilisez aujourd’hui survivront à leur premier vrai prix ?

---

Sources

1. The current AI pricing was always going to go away
2. I think Anthropic and OpenAI have found product-market fit
3. Microsoft reports are exposing AI’s real cost problem: Using the tech is more expensive than paying human employees
4. AI Chip Component Costs: Memory at 63% | Epoch AI
5. AI is killing the cheap smartphone
6. Anthropic set to close $30 billion funding at over $900 billion valuation

Pour aller plus loin

• A model is only as good as its harness — pourquoi la valeur d’un agent se joue dans son harnais, pas seulement dans le modèle : un bon angle pour décider quels usages valent leur coût.
• The AI agent bottleneck isn’t model performance — it’s permissions — déplace le débat des perfs du modèle vers la gouvernance : l’autre coût caché des agents.
• AI Chip Component Costs: Memory at 63% | Epoch AI — la data brute d’Epoch AI sur la part de la HBM, à garder sous le coude pour argumenter en comité d’archi.
• Microsoft reports are exposing AI’s real cost problem — l’article Fortune complet, avec les exemples Meta « Claudeonomics » et Amazon « tokenmaxxing » qui méritent le détour.

Cet article a été rédigé en m’appuyant sur une IA pour m’aider à synthétiser et structurer ma veille. Les idées, le choix des sources et la relecture restent les miens.