Le coût par token en chute libre : lecture d'une déflation qui démocratise l'IA

Commençons par le fait le plus établi, celui autour duquel tout le reste s'organise : le coût par token de l'intelligence artificielle générative baisse, et il baisse vite. Le token est l'unité de facturation du secteur — un fragment de mot, produit ou consommé par un modèle de langage. Son prix, mesuré en dollars par million de tokens, sert de mètre-étalon économique à toute la filière. Or ce prix, à qualité de modèle constante, chute selon un rythme que peu d'industries ont connu. La donnée souvent citée, publiée par le fonds d'investissement Andreessen Horowitz en novembre 2024, parle d'un facteur de dix par an sur trois ans, soit un facteur mille cumulé. La lecture que nous proposons ici est distincte de ce constat chiffré : nous soutenons qu'il faut voir dans cette déflation moins une anomalie passagère qu'une dynamique de fond, portée par l'efficacité et la concurrence, qui met des capacités avancées à la portée d'un public toujours plus large. Cette lecture a une cohérence. Elle demande à être défendue avec les chiffres, et à être nuancée.

Le sujet impose une discipline particulière, parce qu'il baigne dans des nombres spectaculaires que l'on manie souvent avec légèreté. Un facteur mille sonne comme un slogan ; il recouvre en réalité plusieurs mesures différentes, calculées sur des périmètres différents, par des acteurs qui n'ont pas tous le même intérêt à l'annoncer. Nous voulons donc séparer strictement deux registres. D'un côté, les faits : les tarifs historiques des interfaces de programmation, les mesures académiques de la baisse, les gains matériels documentés. Chacun est sourcé en fin de page, à partir des annonces officielles des laboratoires, des travaux de l'institut de recherche Epoch AI, du rapport annuel de l'université Stanford ou de la presse spécialisée. De l'autre, l'interprétation : ce que cette baisse révèle des logiques industrielles à l'œuvre, ce qu'elle permet et ce qu'elle ne règle pas. Cette part-là est signalée comme telle, par des formules prudentes — « on peut lire », « cela suggère », « une interprétation possible ».

Pourquoi ce sujet mérite un décryptage posé plutôt qu'un cri d'enthousiasme ? Parce que la déflation du coût par token conditionne, en amont, presque tout ce qui se passe visiblement dans l'intelligence artificielle : la multiplication des assistants, l'apparition d'agents autonomes, l'intégration de modèles dans des produits de masse. Rien de tout cela ne serait économiquement soutenable si le prix de l'inférence — le calcul consommé à chaque requête — était resté à son niveau de 2021. Comprendre pourquoi ce prix baisse, à quelle vitesse, et selon quels moteurs, c'est comprendre la mécanique profonde de la diffusion de cette technologie.

Le constat : ce que disent les chiffres vérifiés

Posons d'abord le socle empirique le plus solide. La mesure la plus citée provient de l'analyse d'Andreessen Horowitz signée Guido Appenzeller, publiée fin 2024 sous le terme de « LLMflation ». Le raisonnement retenu y est méthodique : plutôt que de comparer des modèles arbitraires, on fixe un niveau de qualité et on suit le prix pour l'atteindre au fil du temps. Le repère choisi est un score de 42 sur le test de connaissances MMLU. En novembre 2021, seul le modèle GPT-3, alors le plus accessible pour atteindre ce niveau, y parvenait, à un coût de soixante dollars par million de tokens. Trois ans plus tard, le modèle le moins cher offrant la même performance — Llama 3.2 3B servi par un fournisseur tiers — revenait à six centimes de dollar par million de tokens. Soit une division par mille en trois ans, ce qui correspond bien à ce facteur de dix annuel.

Une deuxième source, indépendante et de nature différente, converge vers le même ordre de grandeur. L'institut de recherche Epoch AI a mesuré, sur six tests de référence, la vitesse à laquelle le prix pour atteindre un jalon de performance donné a reculé. Le résultat est frappant par son ampleur et par sa dispersion : selon le jalon, la baisse s'échelonne d'un facteur neuf à un facteur neuf cents par an, avec une médiane autour de cinquante par an. Pour reproduire les performances de GPT-4 sur un test de questions scientifiques de niveau doctorat, le prix a chuté d'environ quarante fois par an. Epoch note aussi une accélération : les baisses les plus rapides se sont concentrées après janvier 2024, la médiane grimpant alors vers deux cents par an sur certains segments. Cette dispersion est en soi une information : la déflation n'est pas uniforme, elle frappe plus fort là où la concurrence et l'optimisation se sont concentrées.

À qualité de modèle équivalente, le coût de l'inférence diminue d'un facteur dix chaque année — un rythme plus rapide que la baisse du coût du calcul pendant la révolution du micro-ordinateur, ou celle de la bande passante durant l'essor d'internet. — Formulation-clé de l'analyse « LLMflation » d'Andreessen Horowitz, novembre 2024.

Une troisième source, institutionnelle celle-là, ancre ces chiffres. Le rapport 2025 de l'index sur l'intelligence artificielle de l'université Stanford documente que le coût d'inférence pour un système atteignant le niveau de GPT-3.5 a reculé d'un facteur supérieur à deux cent quatre-vingts entre novembre 2022 et octobre 2024. En valeurs absolues, cela signifie passer d'environ vingt dollars le million de tokens en novembre 2022 à environ sept centimes en octobre 2024, pour une qualité comparable. Trois sources, trois méthodologies, un même verdict qualitatif : la baisse est réelle, massive et rapide. C'est le point de départ non négociable de toute l'analyse.

Les tarifs publics, témoins concrets de la tendance

Aux mesures agrégées, on peut ajouter le témoignage brut des grilles tarifaires publiques, plus parlantes pour qui manipule ces outils. Le modèle GPT-4, à son lancement, se facturait de l'ordre de trente dollars le million de tokens en entrée, et le double en sortie, sur sa version standard, avant que les variantes optimisées ne fassent reculer ce chiffre. En mai 2024, GPT-4o est arrivé à cinq dollars le million en entrée et quinze dollars en sortie, présenté par son éditeur comme deux fois moins cher que la génération précédente ; une nouvelle version publiée trois mois plus tard, en août 2024, a fait reculer ce tarif à deux dollars cinquante en entrée et dix dollars en sortie. Deux mois après le lancement de GPT-4o, en juillet 2024, GPT-4o mini descendait quant à lui à quinze centimes le million en entrée et soixante centimes en sortie — un ordre de grandeur en dessous des modèles de pointe antérieurs, tout en conservant des capacités jugées solides pour de nombreux usages.

La même dynamique se lit chez les autres fournisseurs, ce qui est décisif : elle n'est pas le fait d'un acteur isolé. Google a introduit en mai 2024 son modèle Gemini 1.5 Flash à environ trente-cinq centimes le million en entrée et un dollar cinq en sortie, positionné pour les tâches à haut volume. Anthropic a décliné sa gamme Claude avec des versions légères pensées pour le travail rapide et peu coûteux. Plus récemment, des laboratoires ont poussé le curseur encore plus bas : la famille de modèles DeepSeek, par exemple, affiche des tarifs situés bien en dessous du dollar le million de tokens sur ses versions courantes, avec des mécanismes de mise en cache et des heures creuses qui réduisent encore la facture. Le tableau ci-dessous récapitule ces repères, en gardant à l'esprit que ces grilles évoluent vite et qu'un instantané n'est qu'un instantané.

Repère	Date	Tarif indicatif (par million de tokens)	Source
GPT-3 (niveau MMLU 42)	Nov. 2021	60 $	a16z
Niveau MMLU 42 le moins cher (Llama 3.2 3B)	Nov. 2024	0,06 $	a16z
Niveau GPT-3.5	Nov. 2022	~20 $	Stanford AI Index 2025
Niveau GPT-3.5	Oct. 2024	~0,07 $	Stanford AI Index 2025
GPT-4o (entrée / sortie)	Mai 2024	5 $ / 15 $	OpenAI
GPT-4o (entrée / sortie, version révisée)	Août 2024	2,50 $ / 10 $	OpenAI
GPT-4o mini (entrée / sortie)	Juil. 2024	0,15 $ / 0,60 $	OpenAI
Gemini 1.5 Flash (entrée / sortie)	Mai 2024	0,35 $ / 1,05 $	Google

Une précaution s'impose avant d'aller plus loin. Ces chiffres mesurent des choses subtilement différentes : les uns fixent une qualité et suivent le prix, les autres comparent des tarifs de modèles distincts à des dates distinctes. Additionner naïvement les baisses affichées de plusieurs sources produirait un nombre trompeur. Ce que l'on peut affirmer sans risque, c'est la direction et l'ordre de grandeur — une division du coût par plusieurs centaines à plusieurs milliers sur trois ans, selon le niveau de performance visé. La précision au chiffre près, elle, dépend de la définition retenue, et nous nous garderons de la sur-préciser.

La lecture : deux moteurs derrière la déflation

Passons maintenant du constat à son explication. Pourquoi ce prix recule-t-il si vite ? Une interprétation possible, cohérente avec les données disponibles, distingue deux moteurs qui agissent de concert : d'un côté l'efficacité, technique et algorithmique ; de l'autre la concurrence, qui transforme ces gains techniques en baisses de tarif réelles. Ces deux forces ne s'opposent pas, elles se renforcent. L'une abaisse le coût de production d'un token ; l'autre force à répercuter cette baisse sur le client plutôt qu'à la garder en marge.

L'efficacité : produire le même token pour moins cher

Le premier moteur est matériel et algorithmique. Sur le plan du matériel, les données du rapport Stanford 2025 sont explicites : le coût du calcul recule d'environ trente pour cent par an, tandis que l'efficacité énergétique progresse d'environ quarante pour cent par an. La performance des processeurs spécialisés pour l'apprentissage automatique, mesurée en opérations sur nombres à virgule flottante, croît d'environ quarante-trois pour cent par an, soit un doublement tous les un an et onze mois environ. À lui seul, ce progrès matériel abaisse mécaniquement le coût de chaque token produit, année après année, sans que rien d'autre ne change.

Mais le matériel n'explique qu'une partie de l'histoire, et c'est là que la déflation devient remarquable. L'autre partie tient à l'efficacité algorithmique : la capacité à obtenir la même qualité avec moins de calcul. Plusieurs leviers y contribuent. Les modèles à mélange d'experts n'activent qu'une fraction de leurs paramètres à chaque requête, ce qui réduit le calcul par token sans amputer la qualité. La distillation permet de transférer les compétences d'un grand modèle vers un modèle plus petit, moins coûteux à faire tourner. La quantification abaisse la précision numérique des calculs là où c'est sans conséquence sur le résultat. À ces gains s'ajoutent les optimisations d'infrastructure — regroupement des requêtes, mise en cache des parties communes des invites — qui pressent chaque euro de matériel un peu plus fort.

• Modèles à mélange d'experts : n'activer qu'une partie du réseau par requête, pour un calcul par token réduit à qualité comparable.
• Distillation : entraîner un modèle compact à imiter un grand modèle, afin de servir l'inférence à moindre coût.
• Quantification : abaisser la précision des nombres manipulés là où la qualité n'en souffre pas.
• Optimisations de service : regroupement des requêtes et mise en cache des invites répétées, pour mieux amortir le matériel.

La combinaison de ces leviers produit un résultat que le rapport Stanford et les travaux d'Epoch AI documentent de la même manière : une nouvelle génération de modèles plus compacts atteint les performances des géants d'hier en mobilisant nettement moins de ressources. C'est le cœur du phénomène. Le matériel progresse d'environ un tiers par an ; l'algorithmique y ajoute sa propre courbe, estimée par certains travaux à un facteur d'amélioration de l'ordre de trois par an. La multiplication de ces deux courbes suffit à expliquer pourquoi la baisse observée dépasse largement ce que le seul progrès des puces autoriserait.

La concurrence : ce qui transforme l'efficacité en baisse de prix

L'efficacité abaisse le coût de revient. Elle ne garantit pas, à elle seule, que le prix payé par l'utilisateur baisse : un fournisseur en position dominante pourrait empocher la différence. C'est ici qu'intervient le second moteur, la concurrence. Le marché des interfaces de programmation compte désormais plusieurs laboratoires de premier plan aux États-Unis, des acteurs chinois très agressifs sur les tarifs, et une constellation de fournisseurs qui servent des modèles ouverts à prix coûtant ou presque. Cette pluralité crée une pression tarifaire continue : dès qu'un acteur abaisse son prix à qualité donnée, les autres doivent s'aligner sous peine de perdre les usages sensibles au coût.

Cette lecture concurrentielle éclaire un fait autrement énigmatique : la rapidité avec laquelle les baisses de coût se répercutent en baisses de tarif. Dans une industrie moins disputée, on pourrait s'attendre à ce que les gains d'efficacité soient absorbés en marge pendant des années. Ici, ils se traduisent en quelques mois par de nouvelles grilles publiques. L'arrivée de modèles compacts très bon marché chez un acteur pousse ses rivaux à décliner à leur tour des versions allégées. On peut lire dans la succession rapprochée de ces annonces — versions « mini », « flash », « haïku » et autres gammes légères apparues en 2024 — la signature d'un marché où le prix est devenu un champ de rivalité aussi vif que la qualité brute.

Un troisième acteur mérite d'être ajouté au tableau, parce qu'il exerce une pression particulière sur les tarifs : les modèles à poids ouverts. Quand un laboratoire publie les paramètres d'un modèle capable, n'importe quel fournisseur d'infrastructure peut le servir, et la concurrence se déplace alors sur le seul coût de l'hébergement, comprimé au minimum. C'est précisément ce mécanisme qui explique le repère de six centimes le million de tokens cité plus haut : le modèle Llama 3.2 3B, ouvert, servi par un opérateur tiers en pur coût de calcul. La disponibilité de modèles ouverts de qualité croissante agit comme un plancher qui tire l'ensemble des prix vers le bas : aucun fournisseur de modèle fermé ne peut durablement facturer très au-dessus d'un modèle ouvert de qualité comparable pour un usage donné. On peut lire dans la montée en gamme régulière de ces modèles ouverts l'un des mécanismes les plus efficaces de la déflation, précisément parce qu'il court-circuite toute rétention de marge.

La dynamique concurrentielle a aussi une dimension géographique qui mérite d'être notée sans jugement de valeur. Des laboratoires implantés hors des États-Unis, en Chine notamment, ont fait du tarif un axe explicite de leur positionnement, en publiant des grilles nettement inférieures à celles des acteurs établis pour des niveaux de performance revendiqués comme proches. Que ces performances soient exactement équivalentes ou légèrement en retrait sur certaines tâches reste discuté, et nous nous gardons de trancher. Mais l'effet sur le marché est réel : la seule existence d'une offre à très bas prix, crédible sur une part des usages, contraint l'ensemble des acteurs à justifier tout écart tarifaire par un avantage de qualité tangible. La rivalité tarifaire est devenue mondiale, et c'est l'utilisateur final qui en recueille le bénéfice le plus direct.

La déflation observée n'est pas seulement le fruit de puces plus rapides : c'est la rencontre entre une efficacité algorithmique qui abaisse le coût de revient et une concurrence assez vive pour forcer cette baisse à se répercuter sur les tarifs publics. — Grille de lecture proposée dans cet article, à distinguer d'un constat mesuré.

La mise en perspective : ce que la baisse démocratise, et ses limites

Reste la question qui donne son sens au sujet : que change concrètement cette déflation ? L'angle que nous portons est que la baisse continue du prix de l'inférence met des capacités avancées à la portée d'un public bien plus large qu'auparavant. Cette affirmation demande à être précisée, car « démocratiser » est un mot qui glisse facilement vers l'exagération.

Ce que la baisse rend possible

Le premier effet, tangible, concerne le seuil d'entrée. Un développeur indépendant, une petite structure, un chercheur d'un pays où les budgets sont contraints peuvent aujourd'hui intégrer un modèle de langage capable dans leur produit pour un coût qui, il y a trois ans, aurait été prohibitif. Quand le million de tokens d'un modèle de qualité intermédiaire coûte quelques centimes plutôt que plusieurs dizaines de dollars, des cas d'usage entiers qui n'avaient aucun sens économique en acquièrent un. C'est le mécanisme classique observé lors des baisses de coût du calcul et de la bande passante : sous un certain seuil de prix, la demande ne progresse pas linéairement, elle s'ouvre à des usages jusque-là impensés.

Le deuxième effet concerne l'échelle. Les agents autonomes, qui enchaînent des dizaines voire des centaines d'appels à un modèle pour accomplir une tâche, ne sont soutenables économiquement que si chaque appel coûte très peu. La déflation du coût par token est, en ce sens, la condition de possibilité d'une part importante de ce qui se construit aujourd'hui. On peut lire la vague actuelle d'assistants intégrés et d'agents non comme une cause, mais comme une conséquence : ils deviennent viables précisément parce que le token est devenu bon marché.

Les limites qu'il faut nommer

L'honnêteté commande de border cet optimisme de trois nuances importantes, sans lesquelles l'analyse basculerait dans la célébration naïve. La première : la baisse du prix unitaire ne signifie pas la baisse de la facture totale. C'est même souvent l'inverse. Lorsque le coût par token s'effondre, les usages se multiplient, les modèles de raisonnement consomment beaucoup plus de tokens par requête, et la dépense agrégée d'une organisation peut augmenter alors même que le prix unitaire diminue. Ce paradoxe — un token moins cher, une facture plus lourde — est bien documenté par les praticiens du secteur. La déflation rend chaque unité abordable ; elle n'exonère personne d'une gestion attentive de sa consommation.

Ce point mérite un développement, car il tempère fortement l'idée d'une baisse mécanique des dépenses. La génération de modèles dite « de raisonnement » a introduit une variable nouvelle : ces modèles produisent, avant leur réponse finale, une longue chaîne de tokens intermédiaires — un raisonnement explicite qui améliore la qualité mais gonfle le nombre de tokens facturés par requête, parfois d'un ordre de grandeur. Un utilisateur qui bascule d'un modèle classique vers un modèle de raisonnement peut ainsi voir sa facture par requête augmenter, même si le prix unitaire du token, lui, a baissé entre-temps. La déflation du prix par token et l'inflation du nombre de tokens par tâche jouent en sens contraire. Le solde net dépend de l'usage, et il serait trompeur de présenter la baisse unitaire comme une garantie d'économie à l'échelle d'une organisation. C'est une baisse de coût d'accès, pas nécessairement une baisse de coût total.

Cette tension éclaire un phénomène que les observateurs du secteur nomment parfois l'inertie de modèle : par confort ou par prudence, beaucoup d'organisations continuent d'appeler des modèles de pointe coûteux là où un modèle plus léger et bien moins cher suffirait amplement. La déflation offre le choix ; elle ne l'impose pas. Une part des économies théoriquement disponibles reste ainsi non captée, faute d'un effort d'ajustement du modèle à la tâche. La leçon pratique est nette : la baisse du coût par token crée un gisement d'économies, mais ce gisement ne se matérialise que pour qui prend la peine de choisir le bon modèle pour chaque usage plutôt que de recourir par défaut au plus puissant.

La deuxième nuance porte sur la répartition de la baisse. Les mesures d'Epoch AI le montrent : la déflation est très inégale selon les tâches. Elle est fulgurante là où la concurrence et l'optimisation se sont concentrées — les tâches courantes, bien balisées — et beaucoup plus lente pour les capacités de pointe, les plus exigeantes, où un petit nombre d'acteurs conserve une avance et une marge. Autrement dit, ce qui se démocratise vite, ce sont les capacités d'hier devenues abordables ; la frontière, elle, reste chère. La démocratisation est réelle, mais elle porte sur un niveau de capacité qui recule d'un cran par rapport à l'état de l'art.

La troisième nuance est structurelle. Le prix par token ne reflète pas nécessairement le coût réel de production supporté par les fournisseurs. Une partie des tarifs très bas observés pourrait relever d'une stratégie de conquête, financée par des levées de fonds massives, plutôt que d'une rentabilité établie. Cette hypothèse ne peut être ni confirmée ni infirmée sur la base des données publiques, et nous la signalons comme telle : il est possible qu'une fraction de la déflation reflète un effort commercial autant qu'un gain d'efficacité. La prudence impose de ne pas confondre le prix affiché avec le coût réel, que les acteurs ne communiquent pas.

Comparaison avec les déflations technologiques passées

Pour situer l'ampleur du phénomène, la comparaison avancée par Andreessen Horowitz est éclairante, à condition de la manier avec les guillemets qu'elle mérite. Selon cette analyse, le rythme de dix par an dépasse celui de la baisse du coût du calcul pendant la démocratisation du micro-ordinateur, comme celui de la bande passante durant l'essor d'internet. Si cette comparaison tient — et elle porte sur des mesures difficiles à mettre parfaitement en regard —, elle situe la déflation du coût par token parmi les plus rapides de l'histoire récente des technologies de l'information.

La leçon des déflations passées mérite d'être méditée pour ce qu'elle laisse anticiper sans certitude. Quand le coût du calcul s'est effondré, ce ne sont pas les usages existants qui ont dominé le paysage, mais des usages nouveaux, imprévus au moment où la baisse s'amorçait. La feuille de calcul, le jeu vidéo, plus tard le service en ligne n'étaient pas les applications que l'on imaginait en priorité. Par analogie prudente, on peut faire l'hypothèse que les usages les plus marquants du token bon marché ne sont pas encore ceux qui occupent le devant de la scène. C'est une hypothèse de lecture historique, pas une prédiction : elle invite à la curiosité plutôt qu'à l'affirmation.

Ce qu'on peut en retenir

Récapitulons en séparant ce qui est solide de ce qui est interprétatif. Le fait, triplement sourcé, est que le coût par token pour une qualité de modèle donnée a chuté d'un facteur considérable — de plusieurs centaines à plusieurs milliers selon le niveau visé — en l'espace de trois ans, et que cette baisse se poursuit. Ce n'est pas une projection : c'est une mesure, confirmée par des acteurs indépendants aux méthodologies différentes. La direction et l'ordre de grandeur ne font pas débat sérieux ; seule la valeur exacte dépend de la définition retenue.

La lecture que nous avons défendue, elle, se présente comme une grille parmi d'autres. Nous avons proposé de voir dans cette déflation le produit de deux moteurs conjoints — l'efficacité, technique et algorithmique, et la concurrence, qui répercute les gains d'efficacité sur les tarifs. Nous avons soutenu que cette dynamique met à la portée d'un public élargi des capacités qui étaient hier réservées à des budgets importants, tout en insistant sur ses limites : facture totale qui peut croître malgré la baisse unitaire, déflation inégale qui épargne la frontière la plus avancée, écart possible entre prix affiché et coût réel.

Une question de fond mérite d'être posée avant de refermer le dossier, même si elle reste ouverte : cette déflation peut-elle se poursuivre au même rythme ? Rien ne l'assure. Les gains d'efficacité algorithmique les plus faciles ont peut-être déjà été captés, et il n'est pas certain qu'un facteur dix par an tienne indéfiniment. À l'inverse, plusieurs travaux soulignent que le progrès matériel se poursuit et que de nouvelles techniques d'optimisation continuent d'émerger, ce qui plaide pour une baisse durable, fût-elle à un rythme moindre. Il existe aussi une contrainte physique qui pourrait finir par peser : l'énergie. Servir des tokens consomme de l'électricité, et si la demande croît plus vite que l'efficacité énergétique, le coût marginal pourrait cesser de reculer aussi vite. Ces forces contraires — efficacité qui pousse à la baisse, demande et contraintes physiques qui poussent à la hausse — se disputeront la courbe des prochaines années. Prétendre en connaître l'issue serait présomptueux ; l'observer avec méthode est à notre portée.

Si une conclusion nuancée se dégage, c'est celle-ci : la baisse du coût par token est l'un des faits économiques les plus structurants de l'intelligence artificielle contemporaine, parce qu'elle conditionne la diffusion de la technologie bien plus que les annonces spectaculaires de nouveaux modèles. Elle rend abordable, sans jamais rendre sans coût, un ensemble de capacités qui s'élargit d'année en année. La suivre de près — ses chiffres, ses moteurs, ses angles morts — est sans doute plus instructif, pour comprendre où va cette technologie, que de suivre la seule course aux performances de pointe. Reste à observer, avec la même rigueur, si le rythme se maintient, ralentit ou s'accélère dans les années qui viennent. C'est une question ouverte, et il est plus honnête de la laisser ouverte que de la trancher.

Sources

• Andreessen Horowitz — Welcome to LLMflation : LLM inference cost is going down fast (novembre 2024)
• Epoch AI — LLM inference prices have fallen rapidly but unequally across tasks
• Stanford HAI — The 2025 AI Index Report (coûts d'inférence et efficacité matérielle)
• OpenAI — GPT-4o mini : advancing cost-efficient intelligence (juillet 2024)
• Epoch AI — Inference economics of language models
• DeepSeek — Models & Pricing (tarifs par million de tokens)