Le secteur de l’intelligence artificielle générative repose sur une promesse très séduisante pour l’utilisateur : payer un abonnement mensuel pour accéder à des modèles de plus en plus performants, sans trop se soucier des tokens, de l’inférence, de la taille des fenêtres de contexte ou du véritable coût de calcul. Cependant, cette simplicité commerciale commence à entrer en conflit avec une réalité technique bien connue de quiconque a géré une infrastructure : chaque requête a un coût, et certaines tâches d’IA consomment bien plus de ressources qu’il n’y paraît.

Une analyse indépendante, relayée sur les réseaux sociaux par des utilisateurs ayant souscrit à divers plans d’Anthropic et d’OpenAI, a permis de quantifier cette tension. Elle consistait à exécuter des tâches de programmation longues jusqu’à épuisement du plafond hebdomadaire de leur abonnement, puis à comparer cette utilisation à son coût équivalent en API. Selon leurs estimations, un abonnement Claude Max 20x à 200 dollars par mois pourrait représenter une consommation équivalente à environ 8 000 dollars par mois si l’on voulait la valoriser au tarif API. Pour ChatGPT Pro 20x, également à 200 dollars, l’équivalent approcherait 14 000 dollars mensuels.

Il ne faut pas interpréter ces chiffres comme une facture réelle. Les tarifs API incluent une marge, l’infrastructure, la disponibilité, la gestion commerciale, et d’autres coûts. De plus, le coût interne de traitement d’une requête n’est pas équivalent au prix final payé par un client API. Cependant, cet exercice met en lumière une question essentielle : les abonnements IA peuvent être très rentables pour un usage occasionnel, mais devenir très coûteux pour les profils intensifs, notamment les développeurs effectuant de longues sessions de codage, les agents ou l’analyse de dépôts entiers.

Le vieux modèle d’abonnement face au coût variable de l’IA

Le modèle d’abonnement n’est pas nouveau. Les salles de sport, plateformes de streaming, logiciels SaaS et services cloud utilisent depuis des années une logique similaire : de nombreux utilisateurs paient pour la disponibilité, la commodité, et l’accès, même s’ils n’utilisent pas la totalité de ce qu’ils ont souscrit. La rentabilité repose sur une moyenne, et non sur chaque utilisateur individuel.

L’IA générative introduit une différence fondamentale. Voir une série ou ouvrir une application a des coûts marginaux évidents, mais une session prolongée avec un modèle avancé peut consommer une quantité substantielle de ressources. Chaque prompt, chaque réponse, chaque fenêtre de contexte étendue, chaque appel à une outil ou chaque boucle d’un agent de programmation génère une charge computationnelle. Lorsque l’utilisateur passe de questions ponctuelles à des demandes d’analyse, propositions de modifications, exécution de tests ou correction d’erreurs sur du code, l’abonnement se rapproche davantage d’un modèle de facturation à la consommation qu’à une tarification forfaitaire.

OpenAI propose différentes formules pour ChatGPT, aussi bien pour les particuliers que pour les entreprises, comme Plus, Pro, Business et Enterprise. Anthropic, de son côté, offre des plans tels que Pro et Max, avec des options pour un usage accru. Dans tous les cas, les conditions officielles rappellent qu’il existe des limites, des politiques d’utilisation, et la possibilité de modification des prix ou de la disponibilité.

Le problème surgit lors de la comparaison de ces abonnements avec le coût équivalent en API. Anthropic publie des tarifs par million de tokens, avec des variations selon le modèle, l’entrée, la sortie et le cache. OpenAI maintient également une grille tarifaire API distincte pour les développeurs, avec différents modèles, modes et services annexes.

Ce qui est frappant, ce n’est pas simplement le plafond théorique, mais aussi la rapidité avec laquelle l’économie du service peut évoluer en fonction de la moyenne d’utilisation. Selon la même analyse, si l’on considère un marge brute de 75 %, les plans à capacité plus élevée commencent à perdre de la marge à des niveaux d’utilisation relativement faibles. Pour ChatGPT Pro 20x, le seuil d’équilibre estimé se situerait autour de 5,7 % d’utilisation. Pour Claude Max 20x, environ 10 %. Sur des plans plus petits, la marge résiste davantage, mais cela dépend aussi du fait que la majorité des utilisateurs ne poussant pas toujours tous les plafonds.

Les agents de code modifient la courbe d’usage

L’essor des agents de programmation a accéléré cette réflexion. Jusqu’ici, de nombreux utilisateurs utilisaient ChatGPT ou Claude pour répondre à des questions, faire des résumés, rédiger des emails, déboguer des bouts de code ou générer de la documentation. Désormais, les tâches s’allongent. Un agent peut travailler sur un dépôt, inspecter des fichiers, proposer des modifications, appliquer des patchs, exécuter des tests, examiner des erreurs et réessayer plusieurs fois.

Ce changement modifie la dynamique économique du produit. Une conversation humaine comporte pauses, doutes et temps morts, alors qu’un agent de code peut maintenir une activité continue, consommer le contexte de manière intensive, et générer de nombreuses opérations en chaîne. OpenAI indique dans sa documentation sur Codex que le coût moyen peut varier considérablement selon le modèle, le nombre d’instances, l’automatisation et le mode rapide utilisé.

Pour un professionnel, une souscription à 100 ou 200 dollars reste très abordable si elle remplace des heures de travail ou accélère des tâches complexes. Pour l’entreprise qui déploie ce modèle, la question est de savoir si elle peut maintenir un tel niveau d’utilisation quand des milliers voire des millions de développeurs commencent à automatiser des flux longs. La distinction entre « demander à un assistant » et « déléguer du travail à un agent » ne se limite pas au produit, elle concerne aussi le coût.

C’est notamment pourquoi certains laboratoires peuvent opter pour une segmentation plus fine plutôt qu’une hausse brutale des prix. Une augmentation soudaine de l’abonnement produit du mécontentement, des retombées négatives et une sensation de perte. Limiter l’accès aux modèles les plus coûteux, réserver certaines fonctionnalités à l’API, introduire des crédits supplémentaires ou séparer plus clairement les plans à usage intensif peut être une solution moins brutale.

L’évolution du marché poursuit dans cette voie. Les entreprises proposent des plans grand public pour une adoption massive, des plans professionnels pour les utilisateurs intensifs, des API pour les développeurs, et des offres d’entreprise avec des conditions spécifiques. La tarification forfaitaire continuera d’exister, mais elle ne comprendra peut-être pas toujours les options les plus sophistiquées ou les plus coûteuses en calcul.

La pression sur les start-ups d’IA

Ce debate concerne aussi les start-ups créant des produits basés sur des modèles tiers. Beaucoup de démonstrations fonctionnent car le coût réel reste dissimulé durant la phase de prototypage. Un fondateur peut utiliser un abonnement pour explorer des idées, tester des prompts ou concevoir des flux produit. Mais une fois le service en production, chaque utilisateur final génère des appels API, ce qui modifie la rentabilité.

C’est un des grands risques de la nouvelle couche d’applications IA : un produit peut sembler rentable lors d’une présentation, mais perdre cet avantage lorsque l’on calcule le coût par tâche, tokens par utilisateur, répétition des requêtes, stockage du contexte, appels aux outils ou support. Les applications qui n’apportent pas une valeur ajoutée supérieure au coût d’inférence auront du mal à vivre lorsque les prix et limites des fournisseurs seront ajustés.

La réponse technique ne se limite pas à attendre une baisse des prix des modèles. Elle consiste aussi à optimiser le design : utiliser des modèles plus petits lorsque suffisant, appliquer de la mise en cache, réduire le contexte inutile, séparer tâches simples et complexes, éviter les agents sans contrôle de dépense, et mesurer le coût par flux réel. Lors de la première phase de l’IA générative, beaucoup estimaient le calcul comme quasi illimité. La prochaine étape sera plus semblable à un cloud mature : observabilité, budgets, limites, optimisation, architecture.

Il y aura également un impact culturel : les utilisateurs sont habitués à ce qu’un abonnement mensuel leur donne accès à des capacités très avancées. Si cette limite devient plus stricte, la réaction sera probablement forte. Mais la solution n’est pas simple : si les laboratoires maintiennent leurs meilleurs modèles presque illimités dans des abonnements forfaitaires, les utilisateurs intensifs risquent de transformer ces plans en une charge financière difficile à supporter.

L’économie de l’IA est encore en construction. Les coûts d’inférence baissent, les modèles deviennent plus efficaces, et la concurrence exerce une pression sur les prix. Mais les tâches deviennent également plus ambitieuses : plus de contexte, plus d’agents, plus de vidéos, plus de code, davantage d’outils et d’automatisation. La tarification forfaitaire a permis de populariser l’IA. À présent, elle montre ses limites.

Questions fréquentes

Pourquoi une souscription à l’IA peut-elle représenter des milliers de dollars en API ?

Parce que certains utilisateurs intensifs peuvent consommer bien plus d’appels, de tokens et de tâches longues que ce que laisse penser leur abonnement mensuel. L’analyse mentionnée compare l’utilisation maximale observée en abonnement avec le coût que représenterait cette consommation si elle était facturée au tarif API.

Cela signifie-t-il qu’OpenAI ou Anthropic perdent de l’argent avec tous leurs clients ?

Pas nécessairement. Le modèle d’abonnement repose sur une consommation moyenne. Nombre d’utilisateurs consomment peu ou modérément, ce qui compense les profils plus intensifs. Le problème survient si la proportion des utilisateurs exploitant pleinement les limites devient trop importante.

Les prix de ChatGPT et Claude vont-ils augmenter ?

Il est difficile de le prévoir avec certitude. Une tendance probable est que les fournisseurs segmentent davantage : modèles avancés, agents longs, contexte étendu ou usage professionnel pourraient migrer vers des plans supérieurs, crédits additionnels, API ou contrats d’entreprise.

Que devraient faire les développeurs et startups ?

Mesurer le coût réel par tâche, et pas uniquement le prix mensuel d’un service. Il est aussi conseillé d’utiliser des modèles plus petits lorsque possible, d’appliquer du cache, de contrôler l’utilisation des tokens, d’éviter les agents sans contrôle des coûts, et de concevoir des produits résilients face à une possible hausse des prix ou à une disponibilité réduite.