En bref : le 22 septembre 2026, Epoch AI a publié « The plunging price of thought », une analyse de Luke Emberson et David Roodman qui mesure empiriquement la baisse du coût de l'IA depuis 2023. Le chiffre central : −47 % par trimestre à niveau de performance identique, soit environ 13 fois moins cher chaque année. Ce rythme dépasse celui de l'informatique classique, du séquençage génomique et des batteries lithium-ion. Pour les équipes qui ont mis des projets IA en attente faute de rentabilité, ou qui ont bâti leurs business plans sur des hypothèses de coût élevé, ces données justifient une révision sérieuse des arbitrages.
Epoch AI est un organisme de recherche indépendant reconnu dans l'écosystème IA, dont les données de coût et de capacité des modèles servent de référence à des institutions académiques, des journalistes techniques et des analystes sectoriels. Le rapport couvre cinq benchmarks portant sur les mathématiques, les sciences et les jeux stratégiques, et mesure le coût de passage d'un seuil de performance donné plutôt que le simple prix affiché par les fournisseurs.
Cet article décrit la méthode employée, replace les chiffres dans leur contexte technologique, identifie les limites réelles du constat, et propose des repères concrets pour calibrer vos décisions sur les projets d'automatisation métier et de développement sur mesure intégrant de l'IA.
La méthode : performance fixe, pas prix par token
Epoch AI ne mesure pas le prix par million de tokens : il mesure le coût pour atteindre un seuil de performance précis sur des benchmarks standardisés. Cette distinction est fondamentale pour interpréter correctement le chiffre de −47 % par trimestre.
L'indicateur classique — prix par million de tokens d'entrée ou de sortie — ne dit rien du nombre de tokens qu'un modèle consomme pour résoudre une tâche. Un modèle moins cher par token peut en consommer cinq fois plus et revenir plus cher pour une tâche identique. Epoch AI adopte l'approche inverse : pour un benchmark et un score cible donnés, quel est le coût minimal accessible sur le marché à cette date ?
L'exemple le plus documenté dans le rapport porte sur le benchmark GPQA Diamond (questions scientifiques de niveau expert). Pour atteindre 75 % de bonnes réponses :
- Début 2025 : o3 d'OpenAI y parvenait au coût estimé de 0,30 dollar par question.
- Juin 2026 : un modèle de la famille GPT-5.6 (Luna) atteignait le même score à environ 0,0004 dollar par question — soit un rapport de 1 à 725 en dix-huit mois.
Epoch AI appelle cette frontière la « Pareto frontier » : à chaque instant, elle représente le modèle le moins cher capable d'atteindre chaque niveau de performance. C'est ce déplacement de frontière, benchmarque après benchmarque, que l'étude mesure entre 2023 et 2026, en obtenant une médiane de −47 % par trimestre sur l'ensemble des domaines étudiés.
Le taux varie selon la nature de la tâche : −39 à −43 % par trimestre pour les jeux stratégiques, −50 à −52 % pour les mathématiques. Il varie aussi selon la maturité de la capacité mesurée : une compétence qui vient d'atteindre l'état de l'art décline à −66 % par trimestre, une compétence de deux ans à −32 %. Les économies sont donc plus rapides en début de courbe, ce qui a des implications directes sur le calendrier d'adoption.
Plus rapide que Moore's Law et le séquençage génomique
Le rythme de −13 fois par an dépasse toutes les références technologiques classiques. Epoch AI compare explicitement cette trajectoire avec d'autres ruptures historiques pour calibrer son ampleur.
- Séquençage génomique : environ ×4 de baisse annuelle depuis le projet Génome humain. La chute des coûts génomiques est souvent citée comme le cas historique le plus spectaculaire en dehors de l'informatique ; l'IA la surpasse.
- Informatique générale (loi de Moore) : environ ×6 par an en termes de rapport performance/coût. Là encore, l'IA va plus vite.
- Batteries lithium-ion : environ ×18 par an sur la période 2010-2023, portée par l'essor du véhicule électrique. Seul ce secteur s'approche des ordres de grandeur de l'IA dans la décennie récente.
- Électricité (1883-1973) : environ ×54 par an sur quatre-vingt-dix ans, cas le plus extrême recensé. L'IA ne l'atteint pas, mais la fenêtre temporelle n'est que de trois ans.
Cette mise en contexte illustre un fait important pour les directions qui planifient sur 3 à 5 ans : les hypothèses de coût IA construites en 2023 ou même en 2025 sont probablement obsolètes pour la plupart des cas d'usage. Le rapport ne prédit pas que ce rythme se maintient indéfiniment — il documente ce qui s'est produit empiriquement sur la période mesurée.
Les projets écartés en 2024 méritent d'être réévalués
Si votre entreprise a mis de côté un projet d'automatisation ou de traitement intelligent de données en 2024 parce que le coût de l'IA rendait le ROI incertain, ce projet mérite une nouvelle évaluation avec les tarifs actuels.
Le mécanisme est simple : les projets qui nécessitent de traiter un volume élevé de requêtes — classification de documents entrants, analyse de données non structurées, triage de demandes support, génération de devis ou de rapports — voient leur coût opérationnel potentiellement divisé par 10 à 20 en deux ans. Ce qui n'était rentable qu'à partir d'un certain volume peut désormais l'être à des volumes beaucoup plus modestes.
Quelques exemples de décisions à revisiter :
- Traitement automatique de documents (bons de commande, factures, comptes rendus) : un coût qui bloquait l'adoption en 2024 est souvent redevenu marginal en 2026, en particulier avec les modèles économiques comme Haiku 5.5 ou GPT-5.6 Luna.
- Analyse de contenu textuel (satisfaction client, catégorisation de tickets, extraction d'information) : les volumes traités rentablement ont augmenté d'un à deux ordres de grandeur.
- Agents IA autonomes pour des workflows bien bornés : notre analyse des coûts réels et du ROI des projets IA en 2026 montre comment estimer ces seuils de rentabilité selon le type de tâche.
Cette réévaluation ne signifie pas que tous les projets deviennent rentables. Elle signifie que l'argument « c'est trop cher » a besoin d'être recalculé avec des chiffres récents, et non conservé tel quel depuis 2023 ou 2024. Pour chiffrer précisément un agent IA, les repères de notre article sur le coût d'un agent IA fournissent une grille concrète à partir des tarifs actuels.
Ce que ce chiffre ne capture pas
Le −47 % par trimestre est une mesure empiriquement solide, mais elle comporte des limites importantes que tout décideur doit intégrer avant d'en tirer des conclusions trop rapides.
La performance n'est pas fixe en pratique
L'indicateur mesure le coût pour un niveau de performance identique. En entreprise, personne ne reste à performance fixe : les équipes adoptent de meilleurs modèles dès qu'ils sont disponibles, ce qui tend à maintenir la facture IA à un niveau relativement stable plutôt qu'à la faire chuter. La baisse se traduit davantage par une augmentation des capacités accessibles à budget constant que par une réduction de la dépense totale.
Le benchmarking peut surestimer les gains réels
Epoch AI le reconnaît explicitement : les fournisseurs de modèles optimisent parfois leurs entraînements sur les benchmarks utilisés pour les mesurer (phénomène dit de « benchmaxxing »). Les progrès mesurés sur ces tests peuvent donc légèrement surestimer les gains réels sur des tâches métier qui ne ressemblent pas exactement aux questions d'un benchmark.
Les modèles frontier restent une exception
Les gains les plus spectaculaires portent sur les modèles qui se sont déjà répandus au point qu'un concurrent moins cher les ait rattrapés. Les derniers modèles frontier — ceux qui repoussent les limites de l'état de l'art — maintiennent des prix premium, parfois en hausse, précisément parce qu'ils offrent des capacités inédites sans équivalent moins cher disponible immédiatement. La grille de décision doit donc distinguer les cas d'usage qui nécessitent réellement un modèle frontier de ceux qui peuvent être traités avec des modèles plus économiques.
La partie algorithmique est plus lente
Epoch AI décompose la baisse entre gains matériels (compétition entre puces, amélioration des GPU) et gains algorithmiques purs. Les gains algorithmiques seuls représentent environ ×3 par an — toujours rapide, mais pas ×13. Si les gains matériels ralentissaient ou si la consolidation du marché des puces réduisait la compétition, le rythme total ralentirait en conséquence.
Trois repères pour vos arbitrages 2026-2027
Voici trois façons concrètes d'intégrer les données Epoch AI dans vos décisions IA à court terme.
1. Recalculer les projets mis en attente sur critère de coût
Si un projet d'automatisation a été écarté en 2024 ou début 2025 parce que le coût opérationnel de l'IA était trop élevé, refaites le calcul avec les tarifs de modèles aujourd'hui — notamment les modèles tier 2 qui couvrent la majorité des tâches de traitement de texte, d'extraction et de catégorisation. Le seuil de rentabilité a souvent été divisé par 5 à 15 selon le volume et la complexité de la tâche. Notre page dédiée à l'automatisation métier décrit les cas d'usage types et les volumes nécessaires pour que le ROI soit positif.
2. Éviter de fixer des coûts IA dans vos business plans sur plus de 18 mois
À −47 % par trimestre, une hypothèse de coût IA figée dans un business plan à 3 ans est quasi certaine d'être obsolète avant son terme. La bonne approche consiste à séparer les coûts d'infrastructure et de développement (plus stables) des coûts d'inférence (qui baissent rapidement), et à les réviser annuellement plutôt que de les figer.
3. Distinguer les modèles selon le niveau de tâche, pas selon le dernier benchmark
Pour les tâches bien définies — classification, extraction, résumé, rédaction bornée — les modèles économiques (Haiku 5.5, GPT-5.6 Luna, Flash Lite) suffisent dans la majorité des cas et bénéficient directement de la baisse documentée. Pour les tâches ouvertes ou à forte valeur (raisonnement complexe, génération de code critique, analyse multi-étapes) les modèles frontier restent justifiés et leur coût est moins sensible à la tendance. Construire cette distinction dans vos architectures de développement sur mesure permet de capturer les économies là où elles sont réelles sans dégrader la qualité là où elle compte.
FAQ
Sources
FAQ — Epoch AI mesure une chute de 47 % du coût de l'IA par trimestre — repères pour calibrer vos projets 2026-2027
Est-ce que ma facture IA va réellement baisser grâce à cette tendance ?
Pas nécessairement en valeur absolue. La baisse documentée par Epoch AI s'applique à performance identique : si vous restez sur les mêmes modèles et les mêmes usages, votre facture peut baisser. Mais en pratique, les entreprises montent en gamme dès que les nouvelles capacités deviennent accessibles, ce qui stabilise la dépense. La baisse se traduit davantage par des capacités accrues à budget constant que par une réduction de la facture totale.
Comment vérifier si mes projets actuels bénéficient de cette tendance à la baisse ?
Identifiez vos principaux cas d'usage, le volume de requêtes mensuel et le score de qualité minimum acceptable. Puis comparez le coût avec le modèle que vous utilisez actuellement et avec un modèle équivalent ou légèrement inférieur sorti au cours des 6 derniers mois. Pour beaucoup de tâches de traitement texte bien définies, un modèle tier 2 récent donne un résultat proche d'un modèle frontier de 2024, à un dixième du coût.
Cette tendance à la baisse est-elle garantie de se poursuivre à ce rythme ?
Non. Epoch AI documente ce qui s'est produit entre 2023 et 2026, sans extrapoler. Le rythme de −47 % par trimestre résulte d'une combinaison de gains matériels (compétition entre fournisseurs de puces) et d'améliorations algorithmiques. Si la compétition se réduit ou si les gains algorithmiques atteignent des limites structurelles, le rythme ralentira. Les données actuelles restent le meilleur indicateur disponible, mais elles ne constituent pas une garantie.
Un projet écarté pour raison de coût en 2024 est-il forcément rentable aujourd'hui ?
Pas automatiquement. La baisse de coût des modèles d'inférence est réelle, mais d'autres postes restent stables : intégration technique, maintenance, formation des équipes, adaptation des processus. Le coût opérationnel de l'IA a baissé ; le coût d'implémentation est lui beaucoup moins sensible à cette tendance. Il est donc possible que le ROI soit désormais positif sur les coûts d'inférence tout en restant borderline une fois les coûts d'implémentation intégrés.
Qu'est-ce que le benchmark GPQA Diamond mesure exactement ?
GPQA Diamond (Graduate-Level Google-Proof Q&A) est un ensemble de questions de niveau master ou doctorat en biologie, chimie et physique, construites pour résister à la recherche Google et vérifiables par des experts du domaine. Il est considéré comme l'un des benchmarks les plus difficiles à saturer et l'un des moins susceptibles d'être « benchmaxxé » parce qu'il nécessite un vrai raisonnement scientifique, pas de la mémorisation.
La méthode Epoch AI est-elle contestée par d'autres chercheurs ?
Oui, modérément. Le MIT FutureTech Group a publié une analyse concurrente sur arXiv qui calcule une baisse annuelle de ×5 à ×10 pour les modèles frontier, contre ×13 chez Epoch AI. L'écart vient principalement du périmètre : Epoch AI inclut tous les modèles disponibles sur le marché à un instant donné (pas seulement le frontier), ce qui capture les effets de rattrapage des modèles moins chers. Les deux chiffres décrivent des réalités différentes et non contradictoires.