Les premières années de l’IA générative grand public, beaucoup d’utilisateurs ont découvert ChatGPT, Claude, Gemini ou d’autres outils sous une forme simple : un abonnement mensuel.

Pour 20, 30 ou 100 euros par mois, on avait l’impression d’accéder à une intelligence presque illimitée. On pouvait discuter, coder, résumer des documents, générer des images, tester des idées, produire des textes ou automatiser une partie de son travail.

Mais cette période était en partie une illusion économique.

Derrière chaque réponse générée, il y a un coût réel : des serveurs, des GPU, de l’électricité, du refroidissement, de la bande passante, des équipes, de la maintenance, de la recherche, de la sécurité, de la modération et parfois des licences de données. Plus les modèles deviennent puissants, multimodaux et agentiques, plus leur coût d’exploitation augmente.

L’année 2026 marque un tournant : les entreprises commencent à comprendre que l’IA ne se facture plus comme un logiciel classique. Elle se facture comme une consommation.

1. Le modèle forfaitaire : une phase d’adoption

Les premiers abonnements grand public ont joué un rôle essentiel. Ils ont permis à des millions d’utilisateurs de tester l’IA sans se poser de questions techniques.

C’était simple :

  • un prix fixe ;

  • une interface accessible ;

  • peu de calcul mental ;

  • une impression d’abondance ;

  • une adoption rapide.

Ce modèle a permis aux acteurs de l’IA de faire entrer leurs outils dans les usages quotidiens : rédaction, traduction, code, support client, pédagogie, marketing, analyse documentaire, génération d’images.

Mais ce modèle a aussi créé une mauvaise habitude : croire que l’IA fonctionne comme Netflix, Spotify ou une suite bureautique.

Or l’IA générative ne fonctionne pas de cette manière.

Quand on regarde une vidéo sur une plateforme de streaming, le fichier existe déjà. Il est stocké, compressé, distribué. Le coût existe, mais il est relativement prévisible.

Quand on demande à une IA de générer une réponse, une image ou une vidéo, le contenu est calculé à la demande. Chaque requête consomme une partie de la puissance machine disponible.

Plus la demande est longue, complexe, multimodale ou répétée, plus elle coûte cher.

2. Le token : l’unité économique de l’IA

Pour les modèles de texte, le coût est souvent calculé en tokens.

Un token est une petite unité de texte. Cela peut correspondre à un morceau de mot, un mot court, un signe de ponctuation ou une partie de phrase. Les fournisseurs facturent généralement deux choses :

  • les tokens d’entrée : ce que l’utilisateur envoie au modèle ;

  • les tokens de sortie : ce que le modèle génère.

Les tokens de sortie coûtent souvent plus cher que les tokens d’entrée, parce qu’ils correspondent à la production active du modèle.

Cela signifie qu’une simple question courte peut coûter très peu. Mais un usage professionnel intensif peut devenir coûteux très vite : longs documents, conversations persistantes, génération de code, agents autonomes, outils connectés, recherche web, analyse d’images, appels multiples à des API.

Un agent de développement, par exemple, ne fait pas seulement “une réponse”. Il lit des fichiers, propose un plan, génère du code, corrige des erreurs, relance des commandes, recommence, vérifie, modifie plusieurs fichiers. En apparence, l’utilisateur a demandé une seule tâche. En réalité, le système a parfois déclenché des dizaines d’opérations.

C’est ce qui rend les coûts difficiles à prévoir.

3. Le grand malentendu : usage ne veut pas dire valeur

Pendant la phase d’adoption, beaucoup d’entreprises ont mesuré le succès de l’IA par la quantité d’usage.

Plus les employés utilisaient l’IA, plus l’entreprise avait l’impression d’être innovante.

Mais cette logique est dangereuse.

Un collaborateur qui consomme beaucoup de tokens ne produit pas forcément plus de valeur. Un développeur qui lance un agent IA toute la journée ne livre pas forcément un meilleur code. Une équipe marketing qui génère 500 images ne construit pas nécessairement une meilleure campagne.

L’usage est une mesure de consommation. Ce n’est pas une mesure de résultat.

C’est l’un des grands contrecoups observés cette année : certaines grandes entreprises ont commencé à freiner, plafonner ou reconsidérer leurs dépenses IA. Des cas comme Uber ou Microsoft ont marqué les esprits, car ils montrent que même les grandes organisations peuvent être surprises par la vitesse à laquelle les coûts montent.

Le problème n’est pas seulement le prix d’un modèle. Le problème est la combinaison entre :

  • des outils très faciles à utiliser ;

  • des modèles de plus en plus puissants ;

  • des agents qui consomment plusieurs étapes de calcul ;

  • des équipes qui testent sans méthode ;

  • une absence de suivi précis des coûts ;

  • une confusion entre expérimentation et productivité réelle.

4. Pourquoi les abonnements “illimités” deviennent intenables

Un abonnement forfaitaire fonctionne bien quand l’usage moyen est prévisible.

Par exemple, si une entreprise vend un abonnement à 20 € par mois et que la majorité des utilisateurs consomme peu, les gros utilisateurs sont compensés par les petits utilisateurs.

Mais avec l’IA générative, certains profils consomment énormément.

Un étudiant qui pose quelques questions par jour ne coûte pas la même chose qu’un développeur qui utilise un agent de code pendant huit heures. Un graphiste qui génère quelques images ne coûte pas la même chose qu’une agence qui produit des centaines de variations visuelles. Une équipe vidéo qui teste des prompts toute la journée ne coûte pas la même chose qu’un utilisateur occasionnel.

Le forfait devient alors difficile à maintenir.

C’est pourquoi on observe progressivement un déplacement vers :

  • des quotas mensuels ;

  • des crédits ;

  • des limites d’usage ;

  • des tarifs par token ;

  • des tarifs par image ;

  • des tarifs par seconde de vidéo ;

  • des options “fast”, “standard”, “quality” ;

  • des modèles moins chers pour les tâches simples ;

  • des modèles premium réservés aux tâches complexes.

L’IA sort du rêve de l’illimité. Elle entre dans une économie de la mesure.

5. Les modèles haut de gamme : puissants, mais coûteux

Les grands modèles occidentaux restent souvent les références en termes de qualité, d’écosystème, d’intégration, de sécurité entreprise, de documentation et de robustesse.

On peut citer notamment :

  • OpenAI avec ChatGPT et ses modèles GPT ;

  • Anthropic avec Claude ;

  • Google avec Gemini ;

  • xAI avec Grok.

Ces modèles sont utilisés pour le raisonnement complexe, le développement logiciel, l’analyse documentaire, les agents, la recherche, la génération multimodale, les assistants professionnels.

Mais ils peuvent être coûteux lorsqu’on les utilise en API à grande échelle.

Quelques ordres de grandeur pour les modèles texte haut de gamme :

Famille de modèles Ordre de grandeur en API
OpenAI GPT haut de gamme environ 5 $ / million de tokens en entrée et jusqu’à 30 $ / million en sortie
Claude Sonnet environ 3 $ / million en entrée et 15 $ / million en sortie
Claude Opus environ 5 $ / million en entrée et 25 $ / million en sortie
Gemini Pro selon version et contexte, autour de 1,25 $ à 2,50 $ / million en entrée et 10 $ à 15 $ / million en sortie
Grok autour de 1,25 $ / million en entrée et 2,50 $ / million en sortie sur certains modèles récents

Ces chiffres montrent une chose importante : les modèles ne se valent pas seulement en qualité. Ils se comparent aussi en coût d’usage.

Un modèle légèrement moins performant, mais beaucoup moins cher, peut être plus pertinent pour une tâche répétitive.

6. Les modèles chinois et la pression sur les prix

Face aux grands modèles américains, les modèles chinois ont fortement contribué à faire baisser les prix.

DeepSeek, Z.ai, Qwen, Baidu, Moonshot ou d’autres acteurs ont montré qu’il était possible de proposer des modèles puissants à des coûts très agressifs.

DeepSeek, en particulier, a marqué le marché par des tarifs très bas, des modèles efficaces et une forte pression concurrentielle. Z.ai propose également des modèles GLM avec des prix très compétitifs, notamment sur les versions Flash ou Air.

Quelques ordres de grandeur :

Famille de modèles Ordre de grandeur en API
DeepSeek Flash parfois autour de quelques centimes à quelques dizaines de centimes par million de tokens
DeepSeek Pro plus cher que Flash, mais souvent très compétitif face aux modèles occidentaux
Z.ai GLM Flash autour de 0,07 $ / million en entrée et 0,40 $ / million en sortie
Z.ai GLM Air autour de 0,20 $ / million en entrée et 1,10 $ / million en sortie
Z.ai GLM haut de gamme autour de 1 $ à 1,40 $ / million en entrée et 3 $ à 4,40 $ / million en sortie

Ces modèles posent une vraie question stratégique : faut-il toujours utiliser le meilleur modèle disponible ?

La réponse est non.

Pour de nombreuses tâches, un modèle économique suffit :

  • reformulation simple ;

  • classification ;

  • extraction d’informations ;

  • génération de brouillons ;

  • analyse courte ;

  • traduction simple ;

  • réponses internes ;

  • génération de variantes ;

  • prétraitement de données.

Les modèles premium doivent être réservés aux tâches où leur qualité change réellement le résultat : raisonnement complexe, architecture, code sensible, analyse juridique ou stratégique, contenus à forte valeur, décisions importantes.

7. L’image : un coût par génération

La génération d’image a une logique différente du texte.

On ne parle plus seulement de tokens, mais de coût par image, parfois modulé par la résolution, la qualité ou le mode de génération.

Un modèle comme Gemini 2.5 Flash Image, souvent associé au nom “Nano Banana”, a popularisé une génération d’image rapide et relativement accessible. Selon les configurations, on peut être autour de quelques centimes par image.

Quelques ordres de grandeur :

Modèle ou famille Coût approximatif
Gemini 2.5 Flash Image / Nano Banana environ 0,039 $ par image
Gemini 3 Pro Image environ 0,13 $ par image en 1K/2K, jusqu’à 0,24 $ en 4K
GPT Image variable selon modèle, résolution et tokens de sortie
Grok Imagine Image environ 0,02 $ à 0,07 $ par image selon qualité
Z.ai GLM-Image / CogView autour de 0,01 $ à 0,015 $ par image
Seedream souvent autour de 0,035 $ à 0,045 $ par image selon version et fournisseur

L’image reste donc relativement accessible à l’unité. Mais elle devient coûteuse dès que l’on travaille en volume.

Un étudiant qui génère 10 images pour un exercice ne dépense presque rien. Une agence qui génère 2 000 pistes visuelles, variantes, tests de style et itérations peut rapidement transformer quelques centimes en vraie ligne budgétaire.

8. La vidéo : le vrai mur économique

La génération vidéo est aujourd’hui l’un des usages les plus coûteux de l’IA générative.

Pourquoi ?

Parce qu’une vidéo n’est pas une image. C’est une suite d’images cohérentes dans le temps, avec mouvement, continuité visuelle, parfois audio, synchronisation, caméra, personnages, décors, lumière et style.

Même une vidéo de quelques secondes peut demander beaucoup plus de calcul qu’une image fixe.

La facturation se fait souvent :

  • par seconde ;

  • par crédit ;

  • par résolution ;

  • par qualité ;

  • par mode de génération ;

  • par présence ou non de l’audio ;

  • par génération simple, extension, modification ou image-to-video.

Quelques ordres de grandeur :

Modèle ou famille Coût approximatif
Veo souvent de quelques centimes à plusieurs dizaines de centimes par seconde selon qualité
Kling autour de 0,08 $ par seconde sur certaines offres API standard
Grok Imagine Video environ 0,05 $ à 0,14 $ par seconde selon résolution
Z.ai / Vidu / CogVideo parfois autour de 0,20 $ à 0,40 $ par vidéo selon modèle
Seedance / Seedream vidéo selon plateformes variable selon intégrateur, durée et résolution
Sora / équivalents premium modèles souvent limités, coûteux ou soumis à quotas stricts

Une vidéo de 8 secondes à 0,10 $ par seconde coûte déjà 0,80 $. À 0,40 $ par seconde, elle coûte 3,20 $. Si l’on génère 20 essais pour obtenir une version satisfaisante, le coût réel n’est plus celui d’une vidéo, mais celui de toutes les tentatives.

C’est essentiel à comprendre : en création générative, on ne paie pas seulement le résultat final. On paie aussi les essais ratés.

9. Le coût caché de l’itération

L’un des pièges de l’IA générative est que le coût visible est rarement le coût réel.

Quand on génère une image, on ne garde souvent pas la première. On teste plusieurs prompts. On corrige. On change le cadrage. On recommence. On veut une autre lumière, une autre expression, un autre style, un autre format.

Même logique pour le texte, le code ou la vidéo.

Le coût réel d’un résultat est donc :

coût du résultat final + coût des essais + coût des corrections + coût des erreurs + coût du temps humain de sélection

C’est particulièrement vrai en vidéo. Un clip final de 10 secondes peut être le résultat de 30 générations, 12 variantes, 4 modifications et plusieurs prompts abandonnés.

Le coût à la génération peut sembler faible. Le coût de création complète peut être beaucoup plus élevé.

10. Ce que les étudiants doivent retenir

Pour les étudiants, l’enjeu n’est pas seulement de savoir utiliser les outils. Il faut apprendre à penser leur économie.

L’IA est un outil de production, mais aussi une ressource consommée.

Il faut donc apprendre à :

  • choisir le bon modèle pour la bonne tâche ;

  • éviter d’utiliser un modèle premium pour une tâche simple ;

  • écrire des prompts précis pour limiter les essais ;

  • travailler par étapes ;

  • préparer ses fichiers avant de les envoyer ;

  • limiter les documents inutiles dans le contexte ;

  • utiliser les modèles économiques pour les brouillons ;

  • réserver les modèles chers pour la validation finale ;

  • mesurer le coût réel d’un projet ;

  • distinguer expérimentation, production et livraison.

Une bonne méthode consiste à travailler en trois niveaux :

  1. Modèle économique pour explorer.

  2. Modèle intermédiaire pour structurer.

  3. Modèle premium pour finaliser.

Cette logique est plus saine que de tout faire avec le modèle le plus cher.

11. Vers une nouvelle culture du coût numérique

Pendant longtemps, le numérique a donné l’impression que tout était presque gratuit : envoyer un mail, charger une page, stocker un fichier, lancer un outil en ligne.

L’IA rappelle que le numérique a toujours un coût matériel.

Chaque génération mobilise des machines réelles. Chaque vidéo produite consomme du calcul. Chaque agent qui tourne pendant plusieurs minutes utilise une infrastructure. Chaque image générée correspond à une dépense énergétique et financière.

Cela ne signifie pas qu’il ne faut pas utiliser l’IA. Cela signifie qu’il faut l’utiliser avec maturité.

Les prochaines années ne seront pas seulement celles des meilleurs modèles. Elles seront aussi celles des meilleurs arbitrages.

Les professionnels capables de comprendre les coûts, de choisir les bons outils, de structurer les usages et de mesurer la valeur produite auront un avantage décisif dans les années à venir.