En 1865, l’économiste William Stanley Jevons observait que le perfectionnement des machines à vapeur n’avait pas réduit la consommation de charbon de l’Angleterre : il l’avait multipliée. Chaque gain d’efficacité rendait rentables des usages qui ne l’étaient pas, et la dépense totale montait à mesure que le prix unitaire reculait. L’informatique administre la même démonstration depuis soixante ans : le tarif s’effondre, la facture jamais.
L’intelligence artificielle générative se vend elle aussi au compteur. L’unité s’appelle le token, cette fraction de mot que les modèles découpent en entrée comme en sortie, et elle transforme un logiciel en consommable. La ligne budgétaire ne ressemble alors à aucune autre : elle ne s’amortit pas, elle varie du simple au triple selon le comportement des salariés, et elle grossit d’autant plus vite que l’outil fonctionne bien.
Le 10 juin 2026, le Wall Street Journal rapporte qu’OpenAI étudie des baisses de prix drastiques sur ses tokens, en anticipant un mouvement identique d’Anthropic. Reuters, qui n’a pu le vérifier de manière indépendante, note que les discussions demeurent mouvantes : ni pourcentage, ni tarif cible, ni calendrier. Restent à examiner ce que contient ce prix, pourquoi les factures montent quand les tarifs reculent, et ce que l’échéance boursière obligera à publier.
Une baisse à l’étude, sans chiffre ni calendrier
L’IA générative d’entreprise quitte l’âge de l’expérimentation pour celui du contrôle de gestion : l’adoption des outils bâtis sur les grands modèles de langage est allée plus vite que la capacité des comités de direction à en absorber la facture. C’est cette révolte des directions informatiques que la réflexion tarifaire prêtée à OpenAI cherche à désamorcer, et la manœuvre est tout aussi défensive, la valorisation d’Anthropic ayant dépassé pour la première fois celle de son rival.
Le dirigeant d’OpenAI l’a acté. Le 2 juin, devant ses clients entreprise, il décrivait un coût passé « d’un sujet qui ne venait jamais sur la table en début d’année à un énorme problème », la plainte « mon entreprise a dépensé tout son budget 2026 au premier trimestre » étant devenue « presque un mème » et le coût, la deuxième réclamation la plus fréquente. Sam Altman ajoutait : « Je pense que nous aurons de nombreuses façons d’aider les gens à obtenir plus de valeur pour moins de dépenses. » Son plus gros consommateur interne brûlerait cent milliards de tokens par mois, contre cent mille six ans et demi plus tôt.
Pourquoi le prix baisse pendant que la facture monte
La tenaille des modèles de frontière
La baisse à l’étude ne serait pas un événement, mais l’accélération d’un régime installé. Epoch AI mesure la chute du prix nécessaire pour atteindre une performance donnée : de 9 à 900 fois par an selon la tâche, avec une médiane de 50 fois par an toutes tâches confondues, et Andreessen Horowitz chiffrait la même décrue à un facteur dix par an. En août 2025, GPT-5 sortait déjà à 1,25 et 10 dollars le million de tokens face à un Claude Opus 4.1 affiché à 15 et 75, salve où la presse voyait le début d’une guerre des prix.
Un travail du MIT FutureTech publié en novembre 2025 tient les deux bouts : le prix pour un niveau de performance donné baisse de 5 à 10 fois par an, porté par la concurrence, les gains matériels et un progrès algorithmique de 3 fois par an, mais le coût d’exécution des modèles de pointe augmente de 3 à 18 fois par an, parce qu’ils grossissent et raisonnent plus longtemps. Le tarif recule sur une performance figée, la dépense suit une performance mobile.
Les tokens qu’on ne voit pas et la boucle qui se relit
Deux mécanismes expliquent l’essentiel du reste, et aucun ne figure sur une grille tarifaire. Les modèles de raisonnement produisent des jetons jamais renvoyés à l’utilisateur, qui occupent le contexte et se facturent au tarif de sortie, le plus cher : OpenAI documente 1 024 tokens de raisonnement pour 162 tokens visibles, soit 1 186 tokens payés.
Le second mécanisme est arithmétique. Dans une boucle agentique, le contexte complet est renvoyé au modèle à chaque tour, si bien que le coût en entrée d’un agent à n étapes croît en n(n+1)/2 : dix étapes coûtent cinquante-cinq fois un appel simple, et non dix fois. Les boucles de prompts itératives qui tournent en arrière-plan ne consomment pas un peu plus qu’un chatbot, elles consomment autrement.
Un tarif affiché ne fait pas un prix
Il n’existe pas un prix du token, mais au moins six : entrée, sortie, écriture de cache à cinq minutes, écriture à une heure, lecture de cache et tarif batch. Chez Anthropic, une lecture de cache vaut un dixième du prix d’entrée standard, l’écriture 1,25 fois pour cinq minutes et 2 fois pour une heure, quand l’API Batch applique 50 % de remise sur l’entrée comme sur la sortie. Les deux se cumulent : une architecture qui met ses préfixes en cache et diffère ce qui peut l’être allège sa facture d’entrée sans qu’aucun tarif ait bougé.
Un fournisseur peut donc annoncer une réduction spectaculaire par ce chemin, sans toucher au prix de référence : obtenir plus de valeur pour moins de dépenses décrit cette voie, celle où la grille est réorganisée plutôt que rabotée. Une baisse franche redessinerait en revanche les usages, car le prix unitaire fixe le plafond de ce qu’une entreprise ose déployer : requêtes complexes plus nombreuses, agents autonomes laissés tourner plus longtemps, présence de l’IA dans des activités dont les marges ne supportent pas le prix de l’API.
Le tokenmaxxing devenu un poste budgétaire
Le phénomène a reçu un nom, le tokenmaxxing, et trois symptômes : des salariés qui lancent des requêtes pour automatiser des tâches sans enjeu, des agents laissés en boucle continue à l’arrière-plan, des enveloppes d’innovation informatique vidées avant terme. Le basculement est aussi comptable : 74 % des startups consacrent l’essentiel de leur calcul à l’inférence, contre 48 % un an plus tôt.
Uber, un budget annuel consommé en quatre mois
Uber a épuisé la totalité de son budget IA 2026 en quatre mois et plafonne désormais la dépense de chaque salarié à 1 500 dollars par mois et par outil de codage agentique, Claude Code et Cursor compris, avec tableau de bord et dérogation sur validation. Le directeur des opérations Andrew Macdonald reconnaît qu’« il est très difficile de tracer une ligne » entre l’usage de l’IA et de nouvelles fonctionnalités produit : la dépense se mesure, le retour non.
Le classement interne que Meta a retiré
Chez Meta, un salarié avait construit un tableau de bord baptisé Claudeonomics, classant les plus de 85 000 employés selon leur consommation de tokens. En trente jours, ils en ont brûlé plus de 60 000 milliards, le premier du classement en affichant 281 milliards en moyenne, soit plus de 1,4 million de dollars au tarif public de Claude Opus 4.6. Le directeur technique Andrew Bosworth y voyait « de l’argent facile » ; l’outil a été retiré deux jours après sa révélation publique. Un FinOps de l’IA s’improvise, et une hiérarchie neuve entre salariés dotés d’un quota et les autres.
La substituabilité, une hypothèse que les chiffres contredisent
L’argument le plus répandu tient en une ligne de configuration : basculer de l’API d’OpenAI vers celle d’Anthropic ne coûterait qu’un ajustement dérisoire, d’où un rapport de force acquis aux clients et des marges que les vendeurs devraient sacrifier pour garder leurs parts. Les données ne le confirment pas : dans l’enquête de Menlo Ventures, où la dépense des entreprises en API passe de 3,5 à 8,4 milliards de dollars en moins d’un an, 11 % seulement ont changé de fournisseur, contre 66 % qui ont migré vers un modèle plus récent du même fournisseur.
Le coût de bascule ne se trouve pas dans l’appel d’API, effectivement trivial, mais dans les prompts calibrés, les jeux d’évaluation, les harnais d’agents, les caches bâtis sur des préfixes stables et les contrats négociés au volume. Les développeurs y choisissent systématiquement les modèles de frontière, et la bataille s’est déplacée vers l’outillage : le succès de Claude Code auprès des ingénieurs logiciels a beaucoup fait pour la valorisation d’Anthropic, et OpenAI a répliqué en replaçant Codex au centre de sa stratégie.
Deux entreprises que la même guerre ne frappe pas au même endroit
Un fournisseur d’API qui approche du bénéfice
Anthropic a bouclé le 28 mai une série H de 65 milliards de dollars à 965 milliards de valorisation post-money, un tour qui intègre 15 milliards d’engagements de hyperscalers. L’entreprise revendique un chiffre d’affaires annualisé supérieur à 47 milliards, contre 9 milliards fin 2025 et 14 milliards en février, et anticipe pour le trimestre en cours 130 % de croissance et son premier bénéfice opérationnel.
Une base grand public et une trésorerie négative
OpenAI se tient ailleurs. Valorisée 852 milliards de dollars après un tour de 122 milliards bouclé en mars 2026, elle projette de brûler environ 85 milliards en 2028 et de ne pas dégager de trésorerie positive avant quatre ans, quand ses dépenses d’inférence sur Azure atteignaient déjà 8,67 milliards à fin septembre 2025. Ses 900 millions d’utilisateurs hebdomadaires forment une base dont chaque requête gratuite est un coût, et les marchés secondaires ont tranché avant la Bourse, valorisant Anthropic 1 000 milliards quand OpenAI y cotait 880 milliards en avril.
Quinze jours avant le roadshow
Anthropic a soumis confidentiellement à la SEC, le 1er juin, un projet de déclaration d’enregistrement Form S-1, en précisant que ni le nombre d’actions ni le prix ne sont déterminés. OpenAI a confirmé le 8 juin avoir déposé à son tour, sans calendrier arrêté : « il y a des choses que nous voulons faire et qui sont sans doute plus faciles en restant privés. » La procédure vient du JOBS Act de 2012, que la SEC a étendue le 3 mars 2025 à toutes les sociétés, et l’obligation n’a pas bougé : le S-1 doit être public au moins quinze jours avant le roadshow. C’est cette échéance qui contraindra les deux entreprises à publier, sous responsabilité pénale, leurs marges réelles et le coût de leur inférence.
Les tiers oubliés, le cloud de 2014 et le réseau électrique
Une guerre à deux sur un marché qui compte plus d’acteurs reste un duel. Google, crédité de 20 % de l’usage entreprise, pratique la politique tarifaire la plus agressive et vient d’abaisser Gemini AI Plus de 8 à 5 dollars par mois, quand OpenAI ouvre un palier ChatGPT Go à 8 dollars. Janvier 2025 n’est pas loin non plus : DeepSeek R1 était facturé 0,55 et 2,19 dollars le million quand o1-preview affichait 15 et 60 quatre mois plus tôt, avant que Nvidia ne perde près de 600 milliards en une séance.
Le précédent le plus éclairant ne vient pas de l’IA. Lors de la guerre des prix du cloud de 2014, chaque baisse annoncée par un fournisseur était suivie en quelques jours par les autres, jusqu’à des pourcentages de centimes, et la leçon vaut ici : personne ne gagne une guerre de prix dans une infrastructure banalisée, car un prix baissé ne se remonte plus sans perdre le client.
Le second effet se lit sur le réseau électrique : les centres de données ont consommé environ 415 TWh en 2024 et l’Agence internationale de l’énergie projette environ 945 TWh en 2030, un peu plus que la consommation totale du Japon aujourd’hui. Un prompt texte médian sur Gemini mobilise 0,24 Wh et 0,26 millilitre d’eau, et Google divise par 33 l’énergie par requête en douze mois : l’efficacité unitaire s’améliore pendant que le volume explose.
Ce qu’on présente comme une guerre imminente est un mouvement engagé depuis trois ans, dont la nouveauté n’est pas la baisse mais la limite qui lui fait face. Les tarifs à performance constante reculent d’un facteur dix par an, les modèles de frontière coûtent plus cher à exécuter, les usages agentiques multiplient les tokens selon des lois quadratiques. La question n’est plus de savoir si les marges vont s’éroder, mais si l’élasticité de la demande reste supérieure à un maintenant que des plafonds existent.
Elle ne se pose pas dans les mêmes termes pour les deux protagonistes. Tous deux financent l’infrastructure gigantesque qui traite les requêtes, mais l’un tire l’essentiel de ses revenus d’une clientèle d’API et annonce approcher son premier bénéfice opérationnel, quand l’autre porte 900 millions d’utilisateurs grand public et une trésorerie négative jusqu’à la fin de la décennie. Une même baisse ne frappe pas le même endroit de leur compte de résultat.
Pour un directeur des systèmes d’information, la question utile est de savoir si une baisse décidée à San Francisco à la veille d’une cotation sera durable ou seulement d’acquisition. Le précédent du cloud dit qu’un prix baissé ne remonte pas, celui des places de marché l’inverse, et les protections s’écrivent alors dans les contrats plutôt que dans le code : clause de prix plancher, portabilité des prompts et des jeux d’évaluation, architecture multi-modèles. C’est-à-dire cette substituabilité que l’on suppose acquise et qui reste à construire.
Aller plus loin
Le point de départ officiel tient dans le communiqué Anthropic confidentially submits draft S-1 to the SEC, rédigé dans la forme contrainte que la réglementation impose avant une cotation : ni le nombre d’actions ni le prix ne sont déterminés, et l’opération dépendra des conditions de marché. Une entrée en Bourse s’y raconte au futur ouvert.
Les ordres de grandeur manquants figurent dans l’article OpenAI files confidentially for IPO, following Anthropic, qui aligne la valorisation de 852 milliards de dollars, le tour de 122 milliards de mars 2026, et les 85 milliards de trésorerie brûlée projetés pour 2028.
La mécanique juridique du dépôt confidentiel est exposée par l’analyse SEC Expands Confidential Review Process for Draft Registration Statements, qui retrace l’origine du dispositif dans le JOBS Act de 2012, son extension du 3 mars 2025 à toutes les sociétés, et l’obligation de publication quinze jours avant le roadshow.
Les chiffres que l’on cite ensuite de seconde main viennent du communiqué Anthropic raises $65B in Series H funding at $965B post-money valuation, qui détaille la structure du tour, les 15 milliards d’engagements de hyperscalers et le rythme annualisé de 47 milliards de dollars revendiqué.
La contradiction la plus utile est fournie par le 2025 Mid-Year LLM Market Update de Menlo Ventures, enquête auprès des acheteurs d’API dont il ressort que 11 % seulement ont changé de fournisseur, contre 66 % qui ont migré vers un modèle plus récent du même fournisseur, les parts d’usage et la bascule vers l’inférence y étant aussi chiffrées.
La tendance longue est établie par LLM inference prices have fallen rapidly but unequally across tasks, série d’Epoch AI qui mesure des baisses de 9 à 900 fois par an selon la tâche et rappelle qu’une réduction spectaculaire ne serait pas une rupture, mais la poursuite d’un régime installé.
Le paradoxe central est démonté dans The Price of Progress: Price Performance and the Future of AI, publication du MIT FutureTech qui fait tenir ensemble une baisse de 5 à 10 fois par an du prix à performance constante et une hausse de 3 à 18 fois par an du coût d’exécution des modèles de pointe.
Le mécanisme concret se lit dans le guide Reasoning models de la documentation d’OpenAI, où les jetons de raisonnement, jamais restitués à l’utilisateur, occupent le contexte et se facturent au tarif de sortie : 1 024 tokens invisibles pour 162 visibles dans l’exemple fourni.
Le terrain est documenté par Uber caps employee AI spending after blowing through budget in four months, qui détaille le plafond de 1 500 dollars par mois et par outil, les tableaux de bord, la dérogation et l’aveu du directeur des opérations sur l’impossibilité de relier l’usage aux résultats.
L’effet de second ordre se mesure dans le rapport Energy and AI de l’Agence internationale de l’énergie, qui situe la consommation des centres de données à 415 TWh en 2024, projette environ 945 TWh en 2030 et traduit ce que des tokens moins chers signifient pour le réseau électrique.
Lus ensemble, ces documents déplacent la question. Le prix d’un token baisse depuis trois ans sans que personne ait eu à déclarer la guerre, les entreprises changent de modèle bien plus souvent que de fournisseur, la facture obéit à des mécanismes qu’aucune grille tarifaire n’affiche, et les deux protagonistes n’ont ni la même clientèle ni le même compte de résultat. Ce qui se prépare ressemble moins à un affrontement frontal qu’à un examen de passage, celui que devront subir deux entreprises le jour où leurs marges cesseront d’être un secret industriel.